Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cartas R y S Con L Imites de Control Estimados: Edgar Eli Ecer Blanco Guerrero
Cartas R y S Con L Imites de Control Estimados: Edgar Eli Ecer Blanco Guerrero
Estimados
Director(a):
Ph. D. José Alberto Vargas Navas
Lı́nea de Investigación:
Investigación aplicada
A mis padres
Por el apoyo incondicional
vii
Resumen
Las cartas de control R y S, usadas en el control estadı́stico de la variabilidad de un proceso,
se construyen usualmente con estimaciones obtenidas de datos históricos del proceso o de
la variable monitoreada, sin considerar que la estimación afecta el comportamiento de la
carta. En este trabajo, se establece una metodologı́a para estudiar el comportamiento de
una carta que permite comparar varios tipos de lı́mites al tiempo. Se analiza la eficiencia
de correcciones encontradas en la literatura para los lı́mites de control en las cartas R y S
construidas con base en 20 o 30 muestras de tamaño 5. Con esto se determinan correccio-
nes a los lı́mites de control que permitan construir cartas que se comporten de acuerdo a
lo esperado para las cartas de control para la dispersión. Se muestra, usando simulaciones,
que el comportamiento de las cartas construidas con lı́mites estimados es diferente del que
tienen las cartas con lı́mites obtenidos a partir de los valores reales de los parámetros de
la distribución de los datos y que se obtiene un comportamiento más similar al esperado al
construir las cartas con lı́mites fijos (que no dependen de la estimación).
Abstract
The R and the S control charts, used in the statistical control of the variability for a process,
are usually made up from estimations taken from historical data from the process or from
the observed variable, without taking in count the effect of the estimation in the chart beha-
vior. A methodology to study a control chart behavior is established, so that, several control
limits could be compared simultaneously. The efficiency of some corrections to control limits
for the R and the S control charts, constructed with 20 or 30 samples of size 5 , found in
the literature is analyzed as they are being compared. Corrections to the control limits are
determined, so that, charts behave similar to what is expected for control charts for disper-
sion. It’s shown by simulation means that the behavior of the charts with estimated limits
is different from that of charts with limits calculated from the real distribution parameters
and that the behavior of control charts with fixed limits (not based in stimations) is closer
to what is expected.
Resumen VII
Lista de sı́mbolos X
1. Introducción 1
5. Propuesta de correcciones 48
5.1. Modificación de los lı́mites propuestos en las correcciones . . . . . . . . . . . 48
5.2. Análisis del desempeño de las modificaciones . . . . . . . . . . . . . . . . . . 49
6. Conclusiones y recomendaciones 59
6.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
B. Bibliografı́a 74
Bibliografı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Lista de sı́mbolos
Abreviaturas
Abreviatura Término
ARL Longitud media de corrida
CL Lı́nea Central
ESE Error estándar de la estimación
F AP Probabilidad de falsa alarma
F AR Tasa de falsa alarma
LCL Lı́mite de control inferior
RL Longitud de corrida
SDRL Desviación estándar de la longitud de corrida
U CL Lı́mite de control superior
1. Introducción
Siguiendo la filosofı́a de la búsqueda constante de la calidad en los procesos es importante
verificar que una caracterı́stica de un producto cumple con ciertas especificaciones, es decir,
que tome el valor que se esperaba obtener cuando se diseñó el proceso.
En el enfoque tradicional se toman entre 20 y 50 muestras de tamaño entre 3 y 10, con las
que se estiman los parámetros de la distribución, bajo el supuesto de que la variable aleatoria
2 1 Introducción
a monitorear sigue una distribución normal y se asumen las estimaciones realizadas con esas
muestras como los parámetros reales de la distribución. Este enfoque tiene el inconveniente
que se utilizan muestras del mismo proceso, del cual se desconoce si opera bajo control, para
estimar los parámetros de la distribución bajo control, para luego, con la información obte-
nida, decidir si el proceso tiene el comportamiento esperado. Sin embargo no existe forma de
verificar si dichas estimaciones corresponden a los verdaderos parámetros de la distribución
en estado de variabilidad estable.
Es sabido que la estimación hecha sobre los parámetros para construir la carta de control
afecta de alguna manera el desempeño de ésta, también se ha observado que al aumentar
en gran medida el número de datos utilizados para calcular las estimaciones se disminuye el
efecto de la estimación en el rendimiento de la carta. No obstante, en la actualidad es común
encontrarse con procesos productivos en los que no se dispone de grandes cantidades de
datos como para obtener una carta de control construida con lı́mites estimados que presente
un comportamiento similar al de las cartas construidas con lı́mites conocidos. Bajo tales
circunstancias, no es adecuado usar estimaciones obtenidas en la fase I para fijar los lı́mites
de control que se usarán en la fase II y si se usan las estimaciones como lı́mites no deberı́a
ser de forma permanente, ya que los inconvenientes anteriormente descritos se presentan
incluso después de depurar los datos en la fase I, sin importar que previamente se redujeran
las causas asignables que afectan las caracterı́sticas de calidad del proceso.
El procedimiento seguido por muchos usuarios del control de procesos para construir las
cartas de control a partir de una muestra inicial, es mostrado por Caulcutt (1995), éste in-
cluye una etapa de verificación de que los datos usados en la fase I provienen de un proceso
bajo control, y muestra que las cartas de control ası́ construidas no siempre funcionan de la
manera esperada, por lo que se entiende, de forma similar a como se comportarı́a la carta
construida conociendo de antemano los parámetros de la distribución. Por tanto, se hace ne-
cesario estudiar el efecto de la estimación de los parámetros en el comportamiento de la carta
durante la fase II. Este efecto no sólo ha sido observado por Caulcutt (1995), por ejemplo,
Jensen, Jones-Farmer, Champ, y Woodal (2006) anotan que ya en 1954 se habı́a estudiado
dicho efecto en cartas tipo Shewhart y Quesenberry (1993) realizó un estudio detallado del
mismo para cartas X y X̄ teniendo en cuenta los cambios en la cantidad de puntos en la
carta graficados antes de que alguno se salga de los lı́mites de control, una variable aleatoria
conocida como longitud de corrida (RL), su media (ARL) y desviación estándar (SDRL).
De igual forma se observa que el efecto negativo de la estimación se reduce al aumentar el
número de datos (tamaño de muestra, número de muestras o ambos) usados en la fase I y
que entre más parámetros necesiten ser estimados se requerirá de mayor tamaño de muestra
para mejorar el desempeño.
De forma similar, usando diferentes medidas de la eficiencia de la carta y para varios ti-
3
pos de cartas, Chen (1998), Maravelakis, Panaretos, y Psarakis (2002), Albers y Kallenberg
(2004b), Jensen et al. (2006), Khoo y Lim (2005) y Jarrett y Pan (2008), concluyen por un
lado que las cartas con lı́mites estimados tienen un comportamiento diferente al de las cartas
con lı́mites conocidos y por el otro, que se debe aumentar el número de observaciones a usar
en la fase I o fase II para que el desempeño de las cartas sea más apropiado.
En la actualidad el uso de las cartas tipo Shewhart está inmerso dentro de los sistemas de
control de procesos de muchas empresas e industrias, por lo que recomendar no usarlas no
es una alternativa viable, consecuentemente, se ha propuesto utilizar el esquema tradicional
pero aplicando correcciones a las estimaciones hechas en la fase I que permitan construir
cartas de control basadas en los tamaños de muestra usualmente utilizados y recomendados
en la práctica y aún ası́ obtener un desempeño similar al obtenido para una carta construida
con lı́mites conocidos. Al respecto Albers y Kallenberg (2004b) afirman que: “ ... debido a
la enorme flexibilidad en los procesos productivos (ciclos de vida más cortos de los produc-
tos, diversidad de los productos, manufactura de artı́culos de acuerdo a los requerimientos
del cliente, etc.) en muchas situaciones prácticas es imposible tomar grandes cantidades de
observaciones, por tanto en muchos casos no se puede evitar el uso de correcciones y es de
gran interés ver cómo cambia el desempeño de las cartas de control a medida que cambia el
número de observaciones para tamaños de muestra moderados. ...”.
Varios tipos de correcciones se han propuesto para los lı́mites a usar cuando los parámetros
son estimados, se destacan los trabajos de Wood, Kaye, y Capon (1999) que propone un
procedimiento para construir los lı́mites de control basados en el remuestreo (Bootstrap) y
Albers y Kallenberg (2004a) que utiliza el control de las llamadas probabilidades de exce-
dencia, obteniendo cartas X̄ que se comportan de manera más adecuada. Por último, Jensen
et al. (2006), identifican el estudio de la eficiencia de las cartas de control con lı́mites esti-
mados y los efectos de correcciones sobre estos, como una importante lı́nea de investigación
referente al control de procesos y hacen un recorrido por varios artı́culos que abordan dichos
tópicos. Concluyen además que poca investigación ha sido desarrollada al respecto y que la
mayor parte del trabajo se ha hecho sobre cartas para monitorear la media, aún cuando las
cartas para monitorear la variabilidad se ven más afectadas por la estimación de los paráme-
tros en los lı́mites de control. Ası́ mismo, Klein (2000) sostiene que una parte importante
de los esfuerzos para mejorar el control de procesos debe estar enfocada al estudio de las
reducciones en la dispersión. Lo que indica que el trabajo sobre el efecto de usar lı́mites de
control corregidos en cartas de control para la variabilidad constituye un ámbito interesante
para la investigación.
Por otro lado, el criterio más usado para comparar esquemas de control en fase II es el valor
de la ARL. De forma tal que si el valor de la ARL de una carta construida con lı́mites esti-
mados se aproxima al valor de la ARL para una carta construida conociendo los parámetros
4 1 Introducción
2.1. Calidad
Muchas industrias y empresas han tomado consciencia de que al incrementar la calidad de
sus procesos, productos, o servicios mejoran su productividad y su posición en el mercado
obteniendo ası́ mayores ingresos. Por tanto han implementado diferentes estrategias que les
ayudan a ofrecer productos y servicios siempre con mayor calidad.
A partir de los años 20 el concepto de calidad ha sido incluido dentro de los procesos de
generación de bienes y servicios de muchas compañı́as. Para dar una definición formal de
calidad es necesario retomar las ideas de los gurús de la filosofı́a calidad como son: Deming,
Feigenbaum, Ishikawa, Juran, y Taguchi. Aspectos relevantes sobre las ideas fundamentales
de los mismos y las discusiones respecto a éstas ideas y el concepto de calidad son dados
por Montgomery (2009), Vargas (2006) y Hansen y Ghare (1990). Pero para efectos prácti-
6 2 El control estadı́stico de calidad
Las cartas de control, introducidas por primera vez por Shewhart en un memorando técnico
de Bell Laboratories en el año 1924, se destacan entre las técnicas de control de calidad
por su facilidad de uso y eficiencia para detectar cambios en la variabilidad de un proceso.
Con el transcurrir de los años se han creado diferentes tipos de cartas de control adecuadas
para monitorear diferentes caracterı́sticas de acuerdo al tipo y cantidad de datos usados. En
Jensen et al. (2006) se muestran varios tipos de éstas incluyendo las cartas X, X̄, R, S, S 2 ,
EWMA, la CUSUM, p, np, multivariadas, entre otras.
Con una carta de control se monitorean las caracterı́sticas de calidad asociadas a un proceso,
producto o servicio, las cuales pueden ser de dos tipos; variables, cuando pueden ser fácil-
mente expresadas como medidas numéricas y atributos, cuando no tiene sentido asociar un
valor numérico a la caracterı́stica. Entre las cartas de control para variables más usadas en
la práctica se encuentran las cartas de control tipo Shewhart. Montgomery (2009), describe
una carta de control, afirmando que “ ...La carta de control es una representación gráfica
de una caracterı́stica de calidad que ha sido medida o calculada a partir de una muestra
tomada del proceso contra el tiempo o contra el número de la muestra. La carta contiene
una lı́nea central (CL) que representa el valor promedio de la caracterı́stica de interés en el
estado bajo control. ...”. Ademas la gráfica incluye dos lı́neas horizontales, llamadas lı́mite
de control superior (UCL) y lı́mite de control inferior (LCL), generalmente ubicadas a una
distancia igual de la CL, expresada en términos de la desviación estándar del estadı́stico
graficado en la carta.
lor del estadı́stico asociado a la variable de interés, el punto queda fuera de los lı́mites, se
pueda tener un indicio de que el comportamiento de los valores de la caracterı́stica no son
los adecuados, caso en el cuál se dice que ha ocurrido una señal. Ası́, se genera un interva-
lo en el cuál las medidas de la variable son aceptables, si el proceso se encuentra bajo control.
La figura 2-1 muestra una carta de control tı́pica. En esta, la observación que genera el
punto resaltado (más grande) es identificada como fuera de control, pues está fuera de los
lı́mites establecidos, lo que genera una señal.
R Chart
for x
Group summary statistics
UCL
4
3
CL
2
1
LCL
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
se alarm alpha = 0.0046 is inflated (>> 0.0027) since the normal approximation for R is not appropriated; in order to have alpha = 0.0027 the e
Figura 2-1.: Carta de control tipo Shewhart.
Number of groups = 30
Center = 2.329281 LCL = 0 Number beyond limits = 1
StdDev = 1.00141 UCL = 4.925193 Number violating runs = 0
Naturalmente dos unidades de un producto a pesar de ser fabricadas con la misma materia
prima, las mismas herramientas, máquinas, por las mismas personas, etc. tendrán diferencias
que las hacen únicas, esto hace que sus caracterı́sticas de calidad difieran y que varı́en las
medidas asociadas a las mismas. Por lo que éstas medidas son variables aleatorias, igualmen-
te los estadı́sticos graficados en la carta de control resultan ser variables aleatorias.
Todo proceso por muy bien diseñado que esté, sin importar si fue realizado con mucho cui-
dado, con las mejores herramientas y el personal mejor calificado, presentará variaciones.
Esto se debe en gran medida a la suma de pequeñas variaciones inherentes a cada una de las
partes del proceso y que son inevitables. Se dice que esta variabilidad es debida a causas
aleatorias. Es claro que existen otras fuentes de variabilidad para los procesos entre las más
comunes se destacan: Maquinaria mal calibrada o no controlada, errores de los operarios y
materia prima defectuosa. Estas causas producen mucha más variación de la esperada en
el proceso y se denominan causas asignables. Al eliminar éstas causas se debe lograr una
disminución notable en la variabilidad del proceso. Un proceso que presente variabilidad
debido a causas asignables se dice que está fuera de control y se espera que al detectar y
reducir las causas asignables del proceso, se pueda cumplir con las especificaciones para el
mismo, obteniendo ası́ lo que se conoce como un proceso bajo control.
8 2 El control estadı́stico de calidad
Las diferencias entre los tipos de cartas de control incluyen el tipo de datos usados para la
construcción, los estadı́sticos graficados en la carta, la forma de construir los lı́mites de con-
trol, entre otras. Caulcutt (1995) describe un procedimiento considerado como el estándar
para la construcción de cartas de control y discute los beneficios o inconvenientes que podrı́a
generar el seguir esta metodologı́a. Generalmente se supone que la variable asociada a la ca-
racterı́stica de calidad a monitorear tiene distribución normal o que, de acuerdo al teorema
del lı́mite central, la distribución del estadı́stico usado en la construcción de la carta puede
aproximarse a la normal y que sus valores fueron obtenidos a partir de muestras independien-
tes. Además, tratando de que la proporción de productos conformes sea la mayor posible,
se propone construir la carta usando como centro la media del estadı́stico (que también se
asume con distribución normal) y dibujar los lı́mites de control a 3 desviaciones estándar del
centro. De tal forma que la probabilidad de que un punto caiga en la región de aceptación
sea de 0.9973 (lo cuál solo ocurre cuando los parámetros de la distribución son conocidos).
de la variable, y puesto que el principal objetivo del control estadı́stico de calidad es reducir
la dispersión, se hace necesario controlar también la variabilidad de la variable para luego
proceder a controlar la media.
Chen (1998) caracteriza las cartas de control para la variación como la R y la S, observando
que tienen como centro a la desviación estándar, y como lı́mites superior e inferior a
productos de constantes por la desviación. Pero cuando se desconoce la varianza del proceso
se necesita usar una estimación de la desviación. Para esto, siguiendo el esquema de las
cartas tipo Shewhart, si X es la variable aleatoria asociada a la caracterı́stica de calidad
a monitorear, se seleccionan m muestras de tamaño n de X obteniendo una matriz,
X = Xij ; i = 1, 2, . . . , m, j = 1, 2, . . . , n, de observaciones independientes provenientes del
proceso en una fase I y se construyen los lı́mites de control usando las expresiones:
Ud
CL = Un σ̂ (2-1)
CL
c = σ̂ (2-2)
LCL
d = Ln σ̂ (2-3)
Los valores de las constantes d2 y c4 , usadas como factores de corrección del sesgo bajo el
supuesto de normalidad, dependen sólo del tamaño de muestra n y se encuentran tabulados
en muchos libros de control de calidad como Montgomery (2009) y son usadas como múltiplos
de los estimadores de la desviación estándar, puesto que se busca que la carta tenga
aproximadamente la misma probabilidad de indicar que un punto está fuera de control
que una carta construida con lı́mites conocidos. En la carta ası́ construida, se grafican las
10 2 El control estadı́stico de calidad
Al respecto Human et al. (2010) establecen que el estimar los lı́mites afecta de gran manera
a las cartas para la variabilidad puesto que en éstas:
iii) Los grados de libertad de las distribuciones muestrales de los estadı́sticos a graficar
cambian de n a n-1 cuando la media es estimada.
Varios criterios se han propuesto para medir la eficiencia de una carta y a partir de la
aplicación de los mismos y diferentes metodologı́as de análisis se ha visto que el desempeño
de una carta se ve seriamente afectado por la estimación realizada en la fase I, lo que ha
generado que algunos autores propongan modificaciones a la carta que se traduzcan en un
comportamiento más cercano al esperado. Esto mismo ha motivado la creación de nuevos
esquemas de construcción de cartas que han resultado en la creación de nuevas cartas de
control.
Algunos autores como Quesenberry (1993) y Maravelakis et al. (2002) usan como √ me-
p (1−p)
dida de eficiencia la desviación estándar de la RL, SDRL= V ar (Y ) = p
=
p
ARL(ARL − 1), pues ésta es más afectada por cambios en la distribución de la varia-
ble que la ARL.
Originalmente la medida de eficiencia usada en las cartas era la probabilidad de que la carta
indicara que un proceso estaba fuera de control cuando en realidad éste estaba bajo control,
esta medida conocida como tasa de falsa alarma fue propuesta por Shewhart y usada en
los primeros estudios, por ejemplo en Hill (1956). La idea era verificar que la probabilidad
de falsa alarma fuera lo más pequeña posible, considerándola como una constante.
En Chen (1998), para evaluar la eficiencia de una carta, se determinan las funciones de dis-
tribución empı́ricas de la RL de cartas con lı́mites estimados y se grafican éstas junto a las
distribuciones de la RL con lı́mites conocidos. La carta para la cuál se obtenga una RL cuya
3.1 Medidas de Eficiencia para Cartas de Control 13
En Menzefricke (2002) se usan técnicas de muestreo para evaluar la eficiencia de una carta
y para esto se usan valores hipotéticos de los parámetros de la distribución de la variable
a monitorear con la carta y la función de distribución predictiva, obtenida por metodos de
estadı́stica bayesiana, de un estadı́stico asociado a la verosimilitud de la muestra. Ası́, se
comparan los tamaños de las regiones de rechazo para las distribuciones muestrales obteni-
das para los valores propuestos con el tamaño de la región de rechazo obtenida con la función
predictiva.
Mas recientemente Albers y Kallenberg (2004a, 2004b) observan que para cartas con lı́mites
estimados la probabilidad de falsa alarma es una variable aleatoria Pm que está en función de
los estimadores de los parámetros de la distribución y del número m de muestras de tamaño
fijo tomadas en la fase I y se apunta que un criterio para medir el comportamiento de la carta
puede basarse en limitar el sesgo relativo de Pm respecto a p (la probabilidad de falsa alarma
que se tendrı́a si los parámetros fueran conocidos); |(E(Pm ) − p)/p|. Luego de esto proponen
un criterio de eficiencia basado en la probabilidad de excedencia, P [(Pm − p)/p ≥ k],
pues esta probabilidad da información respecto a la posibilidad de obtención de sesgos más
allá de un cierto nivel en una única corrida. Según este criterio se fijan lı́mites para la pro-
babilidad a controlar y luego se especı́fica qué tan frecuentemente se pueden admitir valores
de la mı́sma por encima de dichos lı́mites. El procedimiento propuesto para medir la eficien-
cia de la carta es estimar g(p) con g(Pm ) y comparar E[g(Pm )] con g(p) para las funciones
g(p) = p, g(p) = 1/p y g(p) = 1 − (1 − p)k , que corresponden a la probabilidad de falsa
alarma, la ARL y la probabilidad de que la longitud de corrida sea al menos k, haciendo
énfasis en que 1/p no resume por completo las propiedades de la RL de la carta, debido
a que se ve muy afectada por la existencia de grandes valores para la RL. Como criterio
para medir la cercanı́a del desempeño de una carta con lı́mites estimados se utiliza el error
relativo de Pm respecto a p, de tal forma que el mismo este acotado superiormente por un
valor, por ejemplo 10 %, es decir que |(E(g(Pm ) − g(p))/g(p)| ≤ 0.1. Aunque también se
trata de ajustar la ARL de la carta a valores prefijados.
Siguiendo la idea de encontrar una mejor medida del desempeño de una carta, Radson y Boyd
(2005) critican el uso de la ARL como única medida del desempeño de una carta, indicando
que se puede obtener mucha más información en la distribución de la RL que al considerar
sólo la ARL, pero debido a la gran cantidad de información contenida en la distribución de
la RL, su interpretación puede ser engorrosa. Para evaluar la eficiencia proponen gráficos
similares a los boxplots, mostrando diferentes medidas descriptivas en un sólo gráfico. La
ventaja de esta propuesta radica en la facilidad para comparar rápidamente el rendimiento
14 3 Correcciones a los Lı́mites de Control
de varias cartas en una sola gráfica (caracterı́stica heredada de los boxplots). Ası́, se introduce
el gráfico de los percentiles de la distribución PD-Plot, del Ingles Percentiles of the Distri-
bution Plot, una modificación del boxplot en la que aparecen lı́neas horizontales dibujadas a
la altura de los valores de los percentiles 25°, 50°, 75° de la distribución muestral de la RL.
El ancho de cada una de esas lı́neas es igual a la probabilidad de ocurrencia del percentil
correspondiente basada en la distribución muestral, lo que le da la forma caracterı́stica al
gráfico. Teniendo en cuenta que la distribución de la RL es muy sesgada a la derecha, se
unen con una linea vertical el 5° percentil con el 25° percentil y támbien el 75° con el 95°
(emulando ası́ los bigotes del Boxplot), quedando el nivel de asimetrı́a de la distribución
asociado con el largo de dichas lı́neas.
Ahora, al graficar varios PD-plots en una misma figura con la misma escala, la compara-
ción entre el comportamiento de la RL para las cartas que generan los mismos, es hecha
de manera simple e intuitiva, lo que le da una gran fortaleza como herramienta práctica
para el análisis de la eficiencia de una carta de control y para la evaluación de diferentes
esquemas de monitoreo mediante cartas de control. Existen otros gráficos que permiten ha-
cer esta comparación como el Box-Percentile plot, introducido por Esty y Banfield (2003).
Pero se decidió usar el PD-plot, pues Chakraborti (2007) propone el uso de los percentiles
de la distribución de la RL para evaluar el desempeño de una carta y en un Box-Percentile
plot no se pueden identificar fácilmente los valores de los percentiles, mucho menos para
distribuciones sesgadas como la de la RL. Ademas Radson y Boyd (2005) indican cómo se
podrı́a utilizar éste gráfico para realizar la comparación del desempeño de cartas de control
para distribuciones fuera de control.
Tercer Cuartil
Longitud de corrida
Mediana
Primer Cuartil
50
Probabilidad
Jensen et al. (2006) destaca el uso de la distribución condicional de la RL cuando los lı́mites
son estimados y algunas medidas asociadas a dicha distribución para evaluar la eficiencia
de una carta. Chakraborti (2007) resalta que la RL sólo toma valores discretos y que su
distribución es extremadamente sesgada a la derecha. Ası́, advierte sobre la necesidad de
usar un mejor indicador del desempeño de la carta que el valor de la ARL. Afirma además
que para distribuciones sesgadas la mediana es mejor medida del centro de los datos que la
media y propone usarla como medida de la eficiencia de la carta, además ésta no es influen-
ciada por los outliers que probablemente tenga la distribución de la RL y demuestra que los
percentiles de la distribución de la carta pueden ser calculados incluso cuando los parámetros
son estimados (esto para la carta X̄), de donde propone el uso de algunos percentiles de la
distribución de la RL para medir la eficiencia de la carta.
Acosta-Mejia y Pignatiello Jr. (2008) observan que al usar lı́mites estimados la ARL de-
pende de las estimaciones y por tanto es en sı́ misma una variable aleatoria. Luego, para
evaluar la eficiencia de una carta se usa toda la distribución de la ARL. Asignando un buen
desempeño a una carta en la cuál la distribución empı́rica de la ARL tiene una gráfica con
forma similar a la de la carta con lı́mites conocidos, es decir, que para muestras bajo control
tiene un ARL grande y para muestras con un cambio en la dispersión (fuera de control)
tiene un ARL pequeño. A una tabla o gráfica de los valores de la ARL obtenidos a partir de
muestras con parámetros modificados contra los valores de la modificación en las muestras
se le denomina Perfil de la ARL. De esta forma para comparar el desempeño de varias
cartas de control, en ese artı́culo se considera mejor la carta que tenga un perfil con ma-
yor altura cuando no existan cambios en los valores de los parámetros y menor altura para
cambios en los parámetros; esto tiene sentido ya que al considerar datos con distribución
normal, se espera que S y R aumenten o disminuyan considerablemente al aumentar o dis-
minuir la desviación de los datos, haciendo más difı́cil que los estadı́sticos estén dentro de
los lı́mites de control, disminuyéndose los valores de la RL y consecuentemente los de la ARL.
Human et al. (2010) destacan la importancia de la fase I y las cartas de control en la práctica
del control de calidad. Comentan la dependencia de los eventos de señalización y la necesi-
dad de escoger una buena medida para evaluar la eficiencia de la carta dependiendo de si
16 3 Correcciones a los Lı́mites de Control
se trabaja en fase I o fase II. Proponen como una buena medida de la eficiencia de la carta
en fase I la Probabilidad de Falsa Alarma (FAP); la probabilidad de que se presente al
menos una señal de falsa alarma. La diferencia entre la FAR y la tasa de falsa alarma radica
en que la FAR se refiere a una señal de falsa alarma en una muestra especifica (una muestra
por vez), mientras que la FAP considera todas las m muestras simultáneamente. Se advierte
que al usar sólo la FAR para evaluar la eficiencia se menosprecia el hecho de que todos los
m grupos de datos son analizados contra los mismos lı́mites lo que genera un alto número
de falsas alarmas. Se destaca que a diferencia la FAP tiene en cuenta el número de grupos
usados en la fase I y por tanto es una mejor medida de eficiencia cuando se usan varios grupos.
Diferentes estudios han comprobado que incluso cuando se realizan las correcciones propues-
tas en la forma clásica de definir las cartas tipo Shewhart, el comportamiento de las cartas con
lı́mites estimados seguı́a siendo muy diferente al que se esperaba. Al respecto, Montgomery
(2009) destaca que aún cuando las muestras son normales, la distribución del rango muestral
no es simétrica, lo que hace que los lı́mites 3σ, comúnmente usados, no garanticen un buen
comportamiento de la carta. Por ejemplo, para n = 4 la ARL bajo control de la carta R
construida con datos normales tiene es de 216.92, cuando se esperaba un valor cercano a 370.
En Hill (1956) se discute la necesidad de modificar los lı́mites al momento de construir cartas
con lı́mites estimados y se propone ajustar los lı́mites de la carta X̄ considerando la tasa de
falsa alarma. En esta propuesta se cambian las constantes comúnmente usadas como factores
de la desviación y se tiene en cuenta el tamaño de muestra, llegando a lı́mites de la forma
√
UdCL = X̄ + (3.9 + 1.645 n)σ̂. Además fija varias reglas según las cuales valdrı́a la pena
modificar los lı́mites.
3.2 Correcciones a las Cartas 17
Jensen et al. (2006) Observan que en los estudios iniciales sólo se ajustaban los lı́mites de
control de tal forma que la probabilidad de falsa alarma tuviera un valor deseado y luego con
esto se determinaba cuál deberı́a ser el tamaño de la muestra apropiado para la estimación
de los lı́mites. Logrando ası́ cartas que se comportarán de una manera más apropiada, pero
en estos estudios se consideró que dicha probabilidad era determinı́stica y no una variable
aleatoria y no fue considerado que los puntos fuera de (y bajo) control dependı́an de las
estimaciones hechas para los parámetros, como mostró Quesenberry (1993).
Estudios que tienen en cuenta que la tasa de falsa alarma es una variable aleatoria y a partir
de esto proponen cambiar los lı́mites de control para cartas R y S que permitan, usar los
tamaños de muestra más comunes obtener un mejor desempeño de la carta, se encuentran
en Albers y Kallenberg (2004a), Albers y Kallenberg (2004b) y Human et al. (2010), entre
otros. En el presente trabajo se denomina corrección a una modificación de los valores
usados como lı́mites de control superior e inferior (LCL y UCL) en una carta R ó S. A conti-
nuación, se presentan algunos detalles de trabajos que realizan correcciones a las cartas R y S.
Chen (1998) observa que, bajo el supuesto de normalidad, las densidades de los estadı́sticos
asociados a los lı́mites estimados en las cartas R y S; UR = R̄/(d2 σ) y US = S̄/(c2 σ) son
√
aproximadamente chi-cuadrados escaladas de la forma cχ2ν / ν, donde c y ν son constantes
determinables. Ası́, tiene sentido plantear correcciones a los lı́mites basándose en la distribu-
ción χ2 . Se han planteado muchas correcciones de este tipo, algunas de estas tienen en cuenta
lı́mites probabilı́sticos. Incluso, Scheffe (1947) ya planteaba algunas de dichas correcciones,
observando la relación con las pruebas chi-cuadrado.
Klein (2000) evalúa el desempeño de tres tipos de modificaciones a los lı́mites propuestos
para la carta S. Destaca el hecho de que, para tamaños de muestra menores o iguales a 5, las
cartas S tradicionales no tienen lı́mites inferiores, siendo poco informativas al momento de
detectar disminuciones en la variación. También se establece el uso del perfil de la ARL para
evaluar la eficiencia de las correcciones a las cartas, resaltando que se debe tener un perfil
relativamente simétrico respecto a los aumentos o disminuciones en la varianza y que el valor
máximo de la ARL se debe alcanzar en el caso bajo control. Los tres esquemas evaluados,
representados siguiendo la notación usada en dicho artı́culo, son:
Para obtener las correcciones usando la distribución chi-cuadrada, trata de obtener una carta
que produzca una ARL = 1/p, donde p es la probabilidad de que una observación para S
quede fuera de los limites de control. De esta forma, teniendo en cuenta que al estar las
muestras formadas por n observaciones independientes de variables con distribución normal
2 2
con la misma media y varianza, (n−1)S
q /σ tiene distribución chi-cuadrado
q con n−1 grados
2 2 2 2
de libertad y si se hace LCL = σ χ(n−1,β) /(n − 1) y U CL = σ χ(n−1,1−α) /(n − 1),
donde χ2(n−1,q) es el percentı́l q de la distribución χ2 , con n − 1 grados de libertad,
se tiene P (LCL ≤ S ≤ U CL) = P σ 2 χ2(n−1,β) /(n − 1) ≤ S 2 ≤ σ 2 χ2(n−1,1−α) /(n − 1) =
2 2 2 2
P χ(n−1,β) ≤ (n − 1)S /σ ≤ χ(n−1,1−α) = 1−α−β = 1−(α+β) = 1−p, donde p = α+β.
Seleccionando adecuadamente los valores para α y β, se puede lograr que 1/p tome el valor
deseado.
Con dichas correcciones se construyeron las cartas y se compararon los perfiles de la ARL,
obteniendo que para detectar aumentos y disminuciones en la dispersión de los datos, es más
conveniente usar el esquema K(2), pues con éste se obtienen valores uniformemente menores
de la ARL para el caso de disminución en la dispersión. Siguiendo en orden de eficiencia para
la detección de cambios el esquema S(=).
Hamada (2003) propone, para cartas R y S, usar lı́mites de control calculados a partir de
intervalos de tolerancia, que en este caso, son intervalos que contienen, con una pro-
babilidad fija γ, un cierto porcentaje de la población del rango o la desviación estándar
muestral. (Propuestos anteriormente para estudiar la variabilidad por Tietjen y Johnson
(1997)). En el mismo estudio observa que para un estadı́stico T calculado en fase II y lı́mites
3.2 Correcciones a las Cartas 19
de control estimados,
calculados en
la fase I a partir de una serie de observaciones X, se
desea tener P LCL d ≤ T ≤ Ud CL = 1 − (p1 + p2 ) = 0.9973, donde se propone considerar
PX P (T ≤ LCL|X) d ≤ p1 texty P (T ≥ Ud CL|X) ≤ p2 ) ≥ γ, pues con esto se controla la
probabilidad de que los lı́mites de control contengan una proporción del estadı́stico graficado
en la carta, controlando al mismo tiempo la probabilidad de obtener una señal, sea porque el
q(R/σ,p1 )
estadı́stico superó al UCL o porque es inferior al LCL. Se prueba que para k1 = q(R̄/σ,1−(1−γ)/2)
y k2 = q(q(R/σ,1−p 2)
R̄/σ,(1−γ)/2)
se logra que PX P (R ≤ k1 R̄X ) ≤ p1 y P (R ≥ k2 R̄X ) ≤ p2 ) ≥ γ y que
q 2 q 2
q(χn−1 ,p1 ) q(χn−1 ,1−p2 )
para g1 = n−1
q(S̄/σ, (1 − γ)/2) y g2 = n−1
q(S̄/σ, 1 −(1 − γ)/2) se logra
que PX P (S ≤ g1 S̄X ) ≤ p1 y P (S ≥ g2 S̄X ) ≤ p2 ) ≥ γ donde q(T, p) es el p-ésimo cuantil
de la distribución de T . Usando lo anterior, proponen utilizar las constantes k1 y k2 para
establecer los lı́mites en cartas R y g1 y g2 para establecer los lı́mites en cartas S. Un aspecto
relevante de este trabajo es que no se obtienen lı́mites de control inferiores iguales a cero,
permitiendo detectar disminución en la variación del proceso. Se llega a correcciones como
LCL = 0.149S̄, U CL = 2.662S̄ para la carta S y LCL = 0.097R̄, U CL = 2.932R̄ para la
carta R, recomendadas para 20 muestras de tamaño 5. Garantizando con estas correcciones
que para un proceso bajo control se tenga una probabilidad de 0.95 de que el 99.73 % de los
estadı́sticos graficados en la carta estén entre los lı́mites establecidos. Al seguir la metodo-
logı́a propuesta en este artı́culo se pudo obtener la corrección LCL = 0.153S̄, U CL = 2.577S̄
para la carta S y LCL = 0.150R̄, U CL = 2.658R̄ para la carta R con m = 30 y n = 5.
Albers y Kallenberg (2004a, 2004b) resaltan que muy pocos trabajos anteriores proponen no
cambiar el número de muestra sino modificar (en este caso adicionando constantes adecua-
das) los lı́mites estimados. Su trabajo se basa en controlar las probabilidades de excedencia.
De esta forma, se indica que un criterio para medir el comportamiento de la carta con lı́mi-
tes corregidos puede basarse en limitar el sesgo de Pm respecto a p (la probabilidad de falsa
alarma que se tendrı́a si los parámetros fueran conocidos), |(E(Pm ) − p)/p|, lo cuál puede
ser logrado por métodos asintóticos y que incluso se puede limitar la tasa de falsa alarma,
pero que esto no puede ser extendido a otros indicadores como la ARL.Teniendo en cuenta
lo anterior, indican que considerar sólo el valor esperado no es lo mejor pues la variabilidad
de Pm es en general grande, indicando que el buen comportamiento de E(Pm ) puede deberse
a que habrán valores muy altos para esta probabilidad compensados con valores muy pe-
queños para la misma, lo cuál es indeseable. De esta forma, se centra el trabajo en controlar
la probabilidad de excedencia; P [(Pm − p)/p ≥ k] pues esta probabilidad da información res-
pecto a la posibilidad de obtención de sesgos más allá de un cierto nivel en una única corrida.
En el procedimiento seguido por Albers y Kallenberg (2004b) se fijan lı́mites para las
probabilidad de falsa alarma a controlar y luego se especı́fica qué tan frecuentemente se
pueden admitir valores por encima de esos lı́mites usando las probabilidades de excedencia.
20 3 Correcciones a los Lı́mites de Control
Obtienen valores exactos para las correcciones que permiten lograr el control de las
probabilidades de excedencia y luego proponen aproximaciones más simples a los valores
de las correcciones, clarificando que al usar aproximaciones se perderá fidelidad en la
corrección, siendo eso sólo un pequeño precio a pagar por la facilidad en la aplicación
práctica. Consideraron sólo correcciones sobre el lı́mite superior para la carta X indicando
que las generalizaciones a lı́mites bilaterales son inmediatas, y se obtienen fórmulas para las
correcciones también para lı́mites bilaterales. Los lı́mites de control que proponen son de la
forma µ̂ + (up + c)σ̂ , donde up = Φ−1 (1 − p) es el lı́mite de control que se usa si los datos
tienen distribución normal para garantizar una tasa de falsa alarma p, siendo Φ la función
de distribución de una variable normal estándar, el cuál sólo se aumenta o disminuye en una
pequeña cantidad c a determinar, anotando que el factor c4 comúnmente usado pertenece a
este tipo de correcciones y que se puede usar el mismo enfoque para cualquier estimador de σ.
Para obtener las correcciones necesarias para los lı́mites, notan que el trabajo por simulación
no permite completamente determinar los términos de corrección adecuados y que por tanto
es necesario considerar la distribución asintótica de Pm , llegando, luego de aproximaciones,
a correcciones con c definido como:
u(u2 +2)
c= 4n
,
para g(p) = p
2
n o 2
c = (u4n+2) u − 2ϕ(u)
p
≈ − u(u4n+u) , Para g(p) = 1/p
n o
u2 +2 (k−1)ϕ(u)
c= 4n
u− (1−p)
para g(p) = 1 − (1 − p)k
Albers y Kallenberg (2005) tratan de corregir los lı́mites parala carta X̄ de tal forma que el
sesgo de la tasa de falsa alarma (|E(Pm ) − p|) o de la ARL (E( P1m ) − p1 ) tome valores tan
CL = µ̂ + up/2 σ ∗ 1 + Bn
pequeños como sea posible. Proponen correcciones de la forma Ud
d = µ̂ − up/2 σ ∗ 1 + B , donde up es el factor de corrección usualmente recomendado
y LCL n
para obtener una carta con ARL = 1/p y B es una constante a determinar. Se proponen
valores para B obtenidos al considerar diferentes estimadores para la varianza σ ∗ llegando a
correcciones muy simples; se demuestra que al usar σ ∗ = S una corrección apropiada para
CL = X̄ + 3S 1 + n3 y LCL
d = X̄ − 3S 1 + 3 . Se observa que con
lograr ARL = 370, es Ud n
esta corrección se logra reducir en gran manera el sesgo, incluso para n=40, lo que representa
un tamaño de muestra relativamente moderado, considerando que la recomendación habitual
es tomar n ≥ 30.
Khoo y Lim (2005) aseveran que la carta R construida con los lı́mites (2-3) y (2-1) no produce
ARL bajo control de aproximadamente 370. Encontrando la forma de la función de densidad
3.2 Correcciones a las Cartas 21
del rango de los valores de la función de distribución para una muestra de datos con distri-
bución normal, demuestran que si Xij ∼ N (µ, σ 2 ); i = 1, 2, . . . , m, j = 1, 2, . . . , n , entonces,
Ri = F (Xi(1) ) − F (Xi(n) ) tiene función de densidad hRi = n(n − 1)(1 − r)rn−2 , 0 < r < 1.
Donde Xi(1) y Xi(n) corresponden al mı́nimo y el máximo de la i-esima muestra considerada.
Con base en lo anterior, proponen construir la carta R basándose en los datos transforma-
dos por medio de la función de distribución normal acumulada (Φ en el caso N (0, 1)) y
R U CL
obteniendo los lı́mites de control de la ecuación LCL hRi (r) dr = 1 − α, que se convierte en
n(U CL)n−1 − (n − 1)(U CL)n − [n(LCL)n−1 − (n − 1)(LCL)n ] = 1 − α, garantizando ası́ que
se tenga una probabilidad de error tipo I igual a α. Resolviendo la anterior ecuación para
1/α ≈ 370 se obtienen los lı́mites: LCL = 0.131807 y U CL = 0.988243 para construir la
carta R con subgrupos de tamaño n = 5 de datos transformados. Khoo y Lim (2005) también
evaluaron el desempeño de la carta ası́ construida por medio del perfil ARL, observando que
es mucho mejor que el de la carta R tradicional.
Una metodologı́a bastante diferente es propuesta por Jarrett y Pan (2008) quienes ajustan
los lı́mites de las cartas R y S de tal forma que tengan una ARL igual a la de la carta para
X̄, construida con la estimación adecuada de la desviación estándar. Se utilizan métodos
de Monte Carlo para diferentes planes de muestreo en fase I mostrando que las cartas no
tienen las ARL deseadas y, fijando un valor objetivo para la ARL, vı́a simulación, encuentran
los lı́mites para las cartas que permiten obtener dicha ARL. Afirman que con este proce-
dimiento se obtienen cartas que protegen tanto de errores tipo I como de errores tipo II.
Siguiendo el procedimiento descrito se propone para m=30 y n=5, calcular los lı́mites con la
corrección UCL=2.148R̄, LCL=0 para la carta R, obteniendo ARL=419.2 y UCL=2.089S̄,
LCL=0 para la carta S, obteniendo ARL=407.9. Ası́ como UCL=2.126R̄, LCL=0 para la
carta R, obteniendo ARL=464.6 y UCL=2.064S̄, LCL=0 para la carta S cuando n=5 y
m=20, obteniendo ARL=450.1.
Acosta-Mejia y Pignatiello Jr. (2008) escriben los lı́mites de control para la carta R como
LCL=max[0 , σ0 (d2 − kl d3 )] y UCL=σ0 (d2 + ku d3 ), donde σ0 es el valor que se espera tome
el parámetro de la distribución, desde la concepción del proceso y d2 y d3 son constantes que
dependen del tamaño de la muestra graficada en la carta. Luego se fija un valor objetivo
para la ARL y se encuentran por medio de una serie de simulaciones, en las que varı́an los
valores de kl y ku , todos los posibles valores para las constantes kl y ku , que producen cartas
con ARL bajo control igual al valor objetivo. De entre todos los pares (kl , ku ), se escoge el
que produzca menores valores para la ARL cuando se utilicen muestras que presenten un
aumento en la dispersión. Con esto se obtiene una modificación a los lı́mites de control que
es insesgada para los valores de la ARL. De esta forma, para muestras de tamaño 5 de datos
con distribución normal con varianza 1 y un valor objetivo de la ARL = 370.4, se propone
la corrección UCL=5.7128, LCL=0.4484. Nótese que esta propuesta evita el cálculo de los
lı́mites a partir de un número de muestras de tamaño n.
22 3 Correcciones a los Lı́mites de Control
Además, Acosta-Mejia y Pignatiello Jr. (2008) proponen modificar la frecuencia con que la
carta muestra una señal fuera de control, usando un esquema en el que la carta señaliza
sólo cuando h > 1 puntos consecutivos quedan por encima del lı́mite de control superior
o cuando la misma cantidad de puntos quedan por debajo del lı́mite de control inferior.
Con esto afirman obtener cartas R con una eficiencia mejorada. En este caso se utiliza un
procedimiento basado en cadenas de Markov para aproximar la ARL. Se demuestra que con
este esquema si se fija un valor para la ARL, a medida que h aumenta, se disminuye la
distancia entre los lı́mites necesarios para obtener dicho valor de la ARL. Tanto ası́ que para
h > 8 estos lı́mites se unen. Para obtener una mejor carta R proponen combinar en una
sola carta los lı́mites obtenidos cuando h = 1 y los obtenidos cuando h = 9, manteniendo
la misma condición de señalización, es decir, la carta señaliza cuando un punto queda fuera
de los lı́mites obtenidos para h = 1 o si 9 puntos consecutivos quedan del mismo lado del
lı́mite (sólo uno pues h > 8) obtenido para h = 9. Con este esquema se llega a los lı́mites
UCL=5.798 y LCL= 0.283. Se muestra que con estos lı́mites se obtiene un mejor perfil de
ARL que con los limites mencionados anteriormente en el mismo artı́culo y se concluye que
este esquema produce cartas R más eficientes.
Human et al. (2010) proponen usar la probabilidad de falsa alarma FAP para encontrar los
lı́mites de control en cartas R y S. En este esquema, se fija un valor nominal F AP0 para la
FAP (relativamente pequeño) y se determinan los lı́mites para la carta de tal forma que la
carta resultante tenga F AP ≤ F AP0 . Por ejemplo para la carta R se cuestiona el uso de las
constantes D3 y D4 para calcular los lı́mites, puesto que éstas constantes están basadas en
la F AR y en su desarrollo asume incorrectamente que la distribución del rango muestral es
simétrica.
Siguiendo ese enfoque, si se denomina Ai el evento de obtener una señal con la muestra
i y Ci al evento
mde quela muestrai mesté bajo control, se tiene en el caso de la carta
S T c m
T
R: F AP = P Ai |Ci = 1 − P Ai |Ci = 1 − P {LCL
d < σ̂i < Ud CL}|Ci =
m i=1 i=1
m i=1
T T
1−P {Ln R̄/d2 < Ri < Un R̄/d2 }|Ci = 1 − P {a < Ri /R̄ < b}|Ci =
i=1 i=1
Rb Rb Rb
m
T
1−P {a < Ui < b}|Ci = 1 − . . . f (u1 , u2 , . . . , um )du1 du2 . . . dum .
i=1 a a a
La idea ahora es determinar las constantes a y b de tal forma que F AP = F AP0 para un va-
lor dado de F AP0 . Para esto es necesario conocer la distribución conjunta de U1 , U2 , . . . , Um ,
la cuál es poco conocida, además de ser su aproximación computacionalmente exigente,
por tanto, se opta por escribir F AP = P (Umax ≥ b|C) + P (Umin ≤ a|C) − P ({Umax ≥
b} ∩ {Umin ≤ a}|C) donde Umax = max(U1 , . . . , Um ), Umin = min(U1 , . . . , Um ) y C es
el evento de que todas las muestras estén bajo control. De esta forma sólo se necesita la
3.3 Metodologı́a para Evaluar la Eficiencia de las Cartas de Control 23
probabilidad marginal del mayor y el menor de los Ui . Al ser las distribuciones margina-
les y conjunta de Umax y Umin demasiado complicadas, se usa un esquema más conser-
vador en el cuál por medio de simulaciones se estiman las constantes a, b de tal forma
que F AP0 ≥ P (Umax ≥ b|C) + P (Umin ≤ a|C). Ahora, puesto que los Ui no tienen por-
qué estar simétricamente distribuidos éstas últimas probabilidades no necesariamente son
iguales, pero, por simplicidad se buscan a, b que cumplan F AP0 /2 ≥ P (Umax ≥ b|C) y
F AP0 /2 ≥ P (Umin ≤ a|C), logrando ası́ que F AP0 ≥ P (Umax ≥ b|C) + P (Umin ≤ a|C) .
donde β = P LCL < X̄i < U CL = 1 − P (Ai ). Se encontró que en general cuando se usan
lı́mites estimados se aumenta la ARL y la SDRL, y que esta última tiende a ser mayor que
la ARL, indicando que se tendrá un gran número de corridas cortas entre falsas alarmas
balanceadas por otro número de corridas extremadamente largas.
Chen (1998) deduce la distribución de la RL para las cartas R, S y S 2 cuando los paráme-
tros son estimados, bajo la hipótesis de normalidad. Indicando que hasta ese punto poco
trabajo se habı́a hecho sobre el efecto de realizar estimaciones en los lı́mites de control sobre
el rendimiento de las cartas de este tipo. Estudió el comportamiento de la RL para diferen-
tes tamaños de muestras. Recordando que cuando la desviación es conocida la RL es una
variable aleatoria con distribución geométrica y con parámetro igual la probabilidad de una
señal fuera de control, nota que al utilizar lı́mites estimados las señalizaciones dejan de ser
independientes y la distribución de la RL deja de ser geométrica. Teniendo en cuenta lo an-
terior, encuentra una expresión para la función de distribución acumulada de la RL, estudia
dicha distribución para las cartas R, S bajo la hipótesis de normalidad y discute el efecto
de la estimación sobre dicha distribución considerando los resultados para los tamaños de
muestras más usados.
Para comparar las distribuciones de la RL para las cartas R, S y S 2 Chen (1998) utiliza
lı́mites probabilı́sticos de colas iguales, considerando que las densidades de U = R̄/(d2 σ) y
√
U = S̄/(c4 σ) son aproximadamente chi-cuadrados escaladas, de la forma cχ2ν / ν. Se grafi-
caron dichas funciones de distribución para lı́mites estimados contra las distribuciones del
RL con lı́mites conocidos (argumentando que la RL de las cartas R y S 2 se comportan de
forma similar, sólo se muestran los resultados para la s) concluyendo que las estimaciones
de σ tienden a producir una mayor probabilidad de señalización. Para disminuciones en la
varianza este efecto no es muy notable, pero para aumentos en la varianza el aumento en las
probabilidades de señalización se hace notable. En general el efecto se hace más pequeño a
medida que se aumentan m y n, siendo poco notable para m ≥ 75 y n=5.
Chen (1998) también evaluó la ARL y la SDRL para datos bajo control y datos fuera de
control, mostrándose que el efecto de la estimación es muy marcado al compararlo con el
caso σ conocido. Señaló que en general para procesos estables se reduce la ARL y la SDRL
y que se aumenta la ARL y la SDRL para procesos fuera de control. Ademas observó que
para n=5 y m=20 se tiene una gran diferencia entre la SDRL del proceso bajo control y la
3.3 Metodologı́a para Evaluar la Eficiencia de las Cartas de Control 25
misma fuera de control, lo que implica que estos tamaños de muestra, comúnmente usados
en la práctica, no son adecuados para construir cartas con lı́mites estimados, viéndose una
vez más que para los tamaños de muestra comúnmente recomendados el comportamiento de
las cartas dista de ser el esperado.
Número de 5 10 20 50 80 100
muestras (m) ARL ESE ARL ESE ARL ESE ARL ESE ARL ESE ARL ESE
5 12129.44 4162.19 9277.38 2913.38 927.52 171.89 294.19 13.82 261.71 12.84 244.38 12.07
10 703.22 51.44 485.58 11.44 323.48 5.66 262.12 3.95 241.85 3.52 236.96 3.43
20 490.40 49.44 341.70 5.95 278.27 4.04 234.47 3.09 221.85 2.83 210.80 2.78
30 321.07 18.67 300.37 4.56 258.32 3.51 228.84 2.87 212.58 2.56 208.79 2.56
50 271.48 13.70 267.01 3.57 241.83 2.96 211.70 2.49 207.6 2.37 200.28 2.27
100 249.02 12.06 241.98 2.81 231.15 2.56 205.43 2.23 198.21 2.15 190.44 2.01
200 233.53 8.08 238.77 2.55 225.42 2.39 202.02 2.06 192.66 1.96 188.76 1.96
500 226.59 7.23 233.15 2.35 219.91 2.24 197.41 2.00 191.68 1.94 186.35 1.94
1000 209.10 6.78 229.23 2.29 218.93 2.21 196.73 2.00 190.81 1.92 184.37 1.84
Número de 5 10 20 50 80 100
muestras (m) ARL ESE ARL ESE ARL ESE ARL ESE ARL ESE ARL ESE
5 38719.32 28862.62 649.17 11.39 336.52 4.62 270.85 3.30 253.75 3.01 248.63 2.94
10 2130.55 408.09 554.17 9.65 373.10 4.77 301.96 3.47 296.09 3.39 291.98 3.27
20 550.45 16.95 474.88 7.53 366.50 4.40 333.19 3.66 324.05 3.46 324.29 3.38
30 425.88 9.24 428.62 6.19 375.60 4.32 341.13 3.68 339.20 3.54 339.74 3.53
50 343.59 5.57 396.99 5.18 366.84 4.12 355.23 3.72 351.83 3.63 348.84 3.62
100 293.43 3.60 368.21 4.43 366.74 3.98 362.37 3.76 358.59 3.66 354.59 3.57
200 274.69 3.07 350.23 3.81 361.70 3.76 362.89 3.70 359.46 3.56 362.62 3.68
500 264.79 2.78 345.61 3.60 367.39 3.76 369.43 3.70 365.66 3.67 370.23 3.65
1000 257.32 2.65 333.97 3.38 360.55 3.66 364.68 3.63 372.50 3.78 371.75 3.74
En la tablas 4-1 y 4-2 se presentan los valores de la ARL y el ESE(ARL) obtenidos con
la anterior metodologı́a, para la carta R y la carta S respectivamente. Se observa que en la
mayorı́a de los casos al aumentar el tamaño de muestra (n) se tiene una disminución pro-
gresiva, tanto en los valores de la ARL, como en los del ESE(ARL) para todos los números
1
R Development Core Team (2010). R: A language and environment for statistical computing. R Foundation
for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http://www.R-project.org.
4.1 El desempeño bajo control de las cartas R y S tradicionales 29
A partir de lo visto en las tablas anteriores se puede determinar que las estimaciones en los
parámetros afectan de manera notable el desempeño bajo control de las cartas R y S, más
aún cuando las estimaciones de los parámetros se hacen basándose en un número reducido
de muestras y tamaños de muestra pequeño. Pues estos valores para la ARL distan en la
mayorı́a de los casos del valor nominal de 370, que se esperarı́a para las cartas tradicionales
construidas con lı́mites 3σ. Se puede observar que para números y tamaños de muestra pe-
queños los valores de la ARL son demasiado altos, además la RL tiene una gran variación,
pues el ESE también es alto.
En los estudios realizados por Quesenberry (1993) y Maravelakis et al. (2002), se observó un
comportamiento similar al anterior para las cartas X, X̄ y se notó que para éstas últimas
cartas al aumentar tanto el tamaño de muestra, ası́ como el número de muestras tomadas
para calcular los lı́mites se mejora el desempeño de la carta, ya que los valores de la ARL
se estabilizan y se acercan cada vez más a 370, permitiendo recomendar el uso de ciertos
tamaños y números de muestras para construir cartas de control, con lı́mites estimados con
un buen desempeño. Pero, el comportamiento de la ARL observado en las tablas 4-1 y 4-2
no concuerda totalmente con lo visto en dichos estudios, pues aunque al aumentar los ta-
maños y números de muestras usadas para construir las cartas se disminuyen los valores de
la ARL y también el ESE(ARL) disminuye notablemente, mostrando mayor precisión en
tal estimación, la disminución de la ARL se observa en muchos casos hasta valores menores
que 370. Indicando que incluso después de aumentar el número de muestras o el tamaño
de muestras usados en la construcción de los lı́mites, se obtienen cartas R y S con lı́mites
tradicionales con un comportamiento diferente del que se esperarı́a para estas cartas debido
a su filosofı́a de construcción. Lo anterior puede entenderse al considerar que la distribución
de los estadı́sticos usados para construir la carta no es la normal y por tanto no se deberı́a
obtener ARL = 370 para la carta. Es más, usando la misma metodologı́a se pudo estimar
el valor de la ARL con su respectivo ESE (mostrado en paréntesis) en 219.31 (2.16) con
n = 5 y 186.31 (1.85) con n = 100 para la carta R, ası́ como, en 257.21 (2.53) con n = 5 y
en 367.79 (3.61) con n = 100 para la carta S (notar que este último valor es muy cercano
a 370, pero inferior al valor obtenido en la tabla 4-2), cuando las cartas son construidas
considerando los verdaderos valores de los parámetros de la distribución. Lo anterior hace
pensar que esperar un valor para la ARL cercano a 370 para la carta R construida con lı́mites
estimados, está muy alejado de lo que realmente ocurre con los valores de la ARL para la
carta R con parámetros conocidos. Un valor objetivo mas adecuado para la ARL, de acuerdo
a lo observado en este estudio, podrı́a ser cercano a 200.
Se observa que el efecto de la estimación de los lı́mites es muy notable en la carta R, donde
se observa una disminución de los valores de la ARL al aumentar el número de muestras
30 4 Análisis de la eficiencia de las correcciones en cartas de control R y S
usadas en dicha estimación. Pero sólo se obtienen valores de la ARL cercanos a los valores
219.31 y 186.31 usando un número de muestras muy grande y más aún, el valor de la ARL
alcanza a tomar valores inferiores a los nominales y tiende a estabilizarse al aumentar el
numero de muestras usadas en la estimación de los limites, lo que hace pensar que si se
sigue aumentando el número de muestras, se obtendrán valores de la ARL más pequeños
que los nominales y con poca variabilidad, en efecto al usar 5000 muestras de tamaño 5, se
estimó el valor de la ARL en 216.89 (2.13), que sigue siendo un valor inferior al de la carta
con limites conocidos (219.31). En la carta S, también se observa el efecto de la estimación.
Se tiene que al aumentar en gran medida el número de muestras usadas en la estimación de
los lı́mites, el valor de la ARL cambia, llegando a tomar valores cercanos a los nominales.
Al observar la tendencia de los valores de la ARL a medida que se aumenta el numero de
muestras consideradas en la estimación de los limites, parece que al aumentar por encima
de 1000 el número de muestras se pueden alcanzar los valores de 257.21 y 367.79, pero esto
no tendrı́a sentido desde el punto de vista práctico.
Estos resultados, de valores inferiores al valor nominal para la ARL concuerdan con los obte-
nidos por Khoo y Lim (2005) para la carta R y por Jarrett y Pan (2008) para ambas cartas.
Pero en ninguno de los dos artı́culos se hace referencia a que el aumento en la cantidad
de muestras usadas en la construcción de los lı́mites de la carta mejora el comportamiento
de la misma, pero nunca se alcanza el comportamiento esperado (o por lo menos nunca lo
alcanzará para la carta R y para que lo alcance en la carta S los valores de m y n deben ser
demasiado altos). Los resultados del estudio de Chen (1998), donde realizó un trabajo similar
para cartas R y S construidas con lı́mites probabilisticos, muestran que cuando se corrigen
los lı́mites de acuerdo a la distribución real de los estadı́sticos asociados a la varianza de los
datos, el comportamiento de la carta es muy superior al de la carta con lı́mites tradicionales,
en el sentido que se comportan de manera más similar a las cartas con lı́mites conocidos.
4.2 Algunas modificaciones a los lı́mites 31
20 30
Artı́culo donde se propone
LCL UCL LCL UCL
20 30
artı́culo donde se propone
LCL UCL LCL UCL
Se observa que se proponen dos tipos de correcciones, unas con lı́mites definidos en valores
fijos, establecidos usando diferentes metodologı́as, tal y como se muestra en la sección 3.2 en
cada caso y otras con lı́mites que dependen de la media de las observaciones de los estadı́sticos
a graficar en la carta. El primer tipo de éstas evita la necesidad de calcular los lı́mites de
control a partir de una muestra inicial, lo que obviamente elimina la necesidad de la Fase I,
con lo cuál el esquema de control de calidad se simplifica a sólo monitoreo en linea.
Como ya se discutió con anterioridad, teniendo en cuenta los principios manejados por los
prácticos del control estadı́stico de calidad, se espera que una buena carta de control para
la variabilidad se comporte de la siguiente manera:
a) Para datos bajo control genere en la mayorı́a de los casos valores altos de la RL,
preferiblemente cercanos a 370. Aunque ya se mostró que este valor de referencia no
es el mas adecuado principalmente en la carta R y en general se deben esperar valores de
la RL inferiores a 370.
c) Para datos que presenten una disminución de la dispersión se obtengan valores mucho más
bajos de la RL que para el caso bajo control, pero teniendo en cuenta que la distribución
empı́rica de la RL bajo control es muy sesgada a la derecha, es más difı́cil para la carta
detectar disminuciones en la dispersión que aumentos en la misma, razón por la cual se
esperan valores un poco mas altos para la RL para disminuciones que para aumentos en
la dispersión.
De lo anterior se puede esperar observar la siguiente forma para los PD-plots de una carta
de control eficiente:
a) Para datos bajo control, percentiles altos y cercanos; la linea que une a los percentiles 75°
con el 95° debe ser relativamente corta, al igual que la que une al 5° con el 25°, mostrando
la existencia de pocos outliers. Aunque por ser la distribución de la RL sesgada a la
derecha la linea superior es más larga.
4.3 Comparación de la eficiencia de las correcciones 33
b) Para datos que presenten un cambio en la dispersión, las lineas dibujadas a la altura del
25° percentil y del 50° deben ser más largas y dichos percentiles deben estar ubicados lo
más bajo posible (indicando la existencia de muchos valores bajos para la RL). Además,
la linea que une al 75° con el 95° debe ser corta y la linea vertical inferior debe ser lo más
larga posible.
c) Para el caso de disminución en la dispersión se deben tener percentiles un poco más altos
que para el caso de aumento en la dispersión, haciendo que los percentiles mostrados en
el PD-plot estén ubicados un poco más alto.
Teniendo en cuenta lo comentado sobre la forma esperada, se grafican los PD-Plots corres-
pondientes a las distribuciones de la RL para cada una de las correcciones listadas en las
tablas 4-3 y 4-4, en cada una de las condiciones de interés: Datos bajo control (es decir
con la misma distribución que los datos usados para calcular los lı́mites de control), datos
provenientes de una distribución con varianza inferior a la varianza de los datos con que se
calcularon los lı́mites de control (caso disminución en la dispersión) y datos con va-
rianza mayor que la de los datos con que se calcularon los lı́mites (caso aumento en la
dispersión).
De igual manera se procede para los casos fuera de control, con la diferencia, que para el caso
disminución en la dispersión, los datos generados después de calcular los lı́mites de control
provienen de una distribución N (0, 0.92 ) y para el caso aumento en la dispersión, se generan
datos con distribución N (0, 1.12 ).
4) Comparando los estadı́sticos obtenidos en las muestras con los lı́mites de control, obtiene
10,000 observaciones de la RL para cada carta, generandose ası́ una muestra de la RL.
7) Escoge teniendo en cuenta todos los valores de los percentiles y probabilidades obtenidas
los más adecuados para usar como escala en la graficación de los PD-plot.
8) Grafica los PD-plots para las diferentes correcciones propuestas en cada caso.
400
300
200
100
0
0 1 2 3 4 5 6 7
Rango
0 1 2 3 4 5 6 7 8
Rango
400
300
200
100
0
0 1 2 3 4 5 6
Rango
Figura 4-1.: Distribución empı́rica del rango muestral en los tres casos de interés.
36 4 Análisis de la eficiencia de las correcciones en cartas de control R y S
Desviación Estándar
300
200
100
0
Figura 4-2.: Distribución empı́rica de la desviación estándar muestral en los tres casos de
interés.
4.3 Comparación de la eficiencia de las correcciones 37
10000
9500
9000
8500
8000
7500
7000
Longitud de corrida (RL)
6500
6000
5500
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
ARL ARL ARL ARL ARL ARL ARL
371.44 1338.17 370.07 457.22 296.46 1440.18 5303.8
LCL 0.4484 0.283 0.1318 0 0.1720R 0.1140R 0.097R
UCL 5.7128 5.798 0.9882 2.126R 2.2800R 2.5120R 2.932R
Figura 4-3.: PD-Plots carta R, m=20 y datos bajo control, separación marcas 0.0006
De las correcciones con lı́mites dependientes de la media la de mejor desempeño fue la prime-
ra de las propuestas por Human et al. (2010) (LCL=0.1720R̄, UCL=2.28000R̄), pues, aunque
el PD-Plot correspondiente a la misma (el quinto) esta un poco bajo, presenta valores de
la RL relativamente altos, con cierta probabilidad de tener valores para la RL cercanos a
370 ademas de muy pocos valores demasiado altos (observables en la lı́nea vertical superior
no tan extremadamente larga), el cuarto PD-Plot está demasiado bajo presentando gran
cantidad de valores atı́picos muy altos, lo que se deduce del largo de la linea vertical su-
perior, además muestra una mayor probabilidad de alcanzar el percentil 25°que el quinto
38 4 Análisis de la eficiencia de las correcciones en cartas de control R y S
PD-Plot. Las correcciones que generan el sexto y el séptimo PD-Plot producen valores de la
RL demasiado altos, indicando gran cantidad de valores de la RL mayores que el esperado
(aproximadamente 370), lo que se podrı́a traducir en dificultad para generar señales en los
7000
estados fuera de control.
6500
6000
5500
5000
Longitud de corrida (RL)
4500
4000
3500
3000
2500
2000
1500
1000
500
0
ARL ARL ARL ARL ARL ARL ARL
369.63 1338.17 370.07 417.43 487.82 2175.1 947.23
LCL 0.4484 0.283 0.1318 0 0.1530R 0.1050R 0.150R
UCL 5.7128 5.798 0.9882 2.148R 2.3550R 2.5770R 2.658R
Figura 4-4.: PD-Plots carta R, m=30 y datos bajo control, separación marcas 0.0005
De manera análoga se puede ver de la figura 4-4 que, por argumentos similares a los an-
teriores, para m = 30, las correcciones propuestas (con PD-plots graficados en las mismas
posiciones) por los mismos autores son nuevamente las de un mejor desempeño. El desempeño
de la corrección propuesta por Jarrett y Pan (2008) (LCL=0 , UCL=2.148R̄), correspon-
diente al cuarto PD-Plot, se ve afectado por el largo de la lı́nea horizontal inferior. Cabe
destacar que para este caso el mejor desempeño se tuvo con correcciones de lı́mites fijos.
Continuando con la discusión anterior, para el caso aumento en la dispersión con m=20, de la
figura 4-5, se concluye que de entre las correcciones con lı́mites fijos la de mejor desempeño
es la propuesta por Khoo y Lim (2005) (LCL=0.1318, UCL=0.9882), correspondiente al ter-
cer PD-Plot, aunque el desempeño de la propuesta por Acosta-Mejia y Pignatiello Jr. (2008)
(LCL=0.4484, UCL=5.7128), correspondiente al primer PD-Plot serı́a aceptable. De igual
forma, de entre las correcciones con lı́mites dependientes de la media sobresale el desem-
peño de la mostrada en el cuarto PD-Plot, propuesta en Jarrett y Pan (2008) (LCL=0,
UCL=2.126R̄), siguiéndole en orden de eficiencia la corrección propuesta por Human et al.
(2010) (LCL=0.1720R̄, UCL=2.2800R̄) correspondiente al quinto PD-Plot. En este caso el
mejor desempeño se obtuvo con una carta con lı́mites dependientes de la media. Ası́ mismo,
de la figura 4-6 se determina que para m=30, las correcciones con mejor desempeño son las
4.3 Comparación de la eficiencia de las correcciones 39
mismas identificadas en la discusión anterior para el caso m=20. Siendo igualmente superior
el desempeño de la corrección dependiente de la media.
8000
7500
7000
6500
6000
5500
Longitud de corrida (RL)
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
ARL ARL ARL ARL ARL ARL ARL
268.76 475.66 179.14 124 173.91 950.79 4193.38
LCL 0.4484 0.283 0.1318 0 0.1720R 0.1140R 0.097R
UCL 5.7128 5.798 0.9882 2.126R 2.2800R 2.5120R 2.932R
Figura 4-5.: PD-Plots carta R, m=20 y aumento en la dispersión, separación marcas 0.0015
Para el caso disminución en la dispersión, de la figura 4-7, se puede determinar, para m = 20,
la eficiencia superior de las correcciones propuestas por Acosta-Mejia y Pignatiello Jr. (2008)
(LCL=0.4484, UCL=5.7128), mostrada en el primer PD-plot, para lı́mites fijos y por Human
et al. (2010) (LCL=0.1720R̄, UCL=2.2800R̄), mostrada en el quinto PD-plot, para lı́mites
que dependen de la media. De igual forma en la figura 4-8 se observa que, para m = 30, nue-
vamente el desempeño de la corrección propuesta por Acosta-Mejia y Pignatiello Jr. (2008)
(LCL=0.4484, UCL=5.7128) se destaca entre todos. Puesto que todos los PD-Plots corres-
pondientes a las correcciones de lı́mites dependientes de la media estan demasiado altos,
ninguna de estas muestra el comportamiento esperado. La más cercana es la propuesta por
Human et al. (2010) (LCL=0.1530R̄, UCL=2.3550R̄), que se observa en el quinto PD-Plot,
pero los percentiles de ésta toman valores más altos de lo admisible ya que, al menos el 25°
y el 50° debı́an ser mucho menores que 370. Se observa incluso que el 95° está cercano a
2000, indicando que se presentan muchos valores de la RL muy superiores al valor de re-
ferencia. Para este caso el mejor desempeño se presentó en cartas construidas con lı́mites fijos.
4000
40 3800 4 Análisis de la eficiencia de las correcciones en cartas de control R y S
3600
3400
3200
3000
2800
Longitud de corrida (RL)
2600
2400
2200
2000
1800
1600
1400
1200
1000
800
600
400
200
0
ARL ARL ARL ARL ARL ARL ARL
267.1 475.66 179.14 119.93 256.06 1030.09 740.08
LCL 0.4484 0.283 0.1318 0 0.1530R 0.1050R 0.150R
UCL 5.7128 5.798 0.9882 2.148R 2.3550R 2.5770R 2.658R
Figura 4-6.: PD-Plots carta R, m=30 y aumento en la dispersión, separación marcas 0.0015
14000
13000
12000
11000
10000
Longitud de corrida (RL)
9000
8000
7000
6000
5000
4000
3000
2000
1000
0
ARL ARL ARL ARL ARL ARL ARL
296.48 1712.73 510.43 2845.08 362.93 1839.95 4602.11
LCL 0.4484 0.283 0.1318 0 0.1720R 0.1140R 0.097R
UCL 5.7128 5.798 0.9882 2.126R 2.2800R 2.5120R 2.932R
Figura 4-7.: PD-Plots carta R, m=20 y reducción en la dispersión, separación marcas 0.0005
Teniendo en cuenta la eficiencia global (al considerar los tres casos simultáneamente) de las
cartas obtenidas con cada una de las correcciones propuestas se observa que:
4.3 Comparación de la eficiencia de las correcciones 41
6000
5500
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
ARL ARL ARL ARL ARL ARL ARL
296.16 1712.73 510.43 2437.18 607.16 2728.66 810.94
LCL 0.4484 0.283 0.1318 0 0.1530R 0.1050R 0.150R
UCL 5.7128 5.798 0.9882 2.148R 2.3550R 2.5770R 2.658R
Figura 4-8.: PD-Plots carta R, m=30 y reducción en la dispersión, separación marcas 0.0005
42 4 Análisis de la eficiencia de las correcciones en cartas de control R y S
d) Para m=30 la corrección que muestra un mejor comportamiento global entre las estu-
diadas, también es la propuesta por Acosta-Mejia y Pignatiello Jr. (2008) (LCL=0.4484,
UCL=5.7128). En este caso las correcciones con lı́mites que dependen de la media tienen
menor eficiencia para detectar disminuciones en la dispersión.
De todo lo anterior se concluye que para construir cartas R con un comportamiento similar
al esperado en la práctica es preferible usar los lı́mites LCL=0.4484, UCL=5.7128 y por
tanto no es necesario estimar los lı́mites de control a partir de muestras iniciales. Si aún se
desea estimar los lı́mites en una Fase I, una corrección relativamente adecuada se obtiene al
usar los lı́mites LCL=0.1720R̄, UCL=2.2800R̄ cuando se usen 20 muestras de tamaño 5. No
se recomienda el uso de ninguna de las correcciones propuestas cuando se usen 30 muestras
de tamaño 5 para estimar los lı́mites.
Para datos bajo control y m=20, de acuerdo a los PD-Plots vistos en la figura 4-9, el com-
portamiento de las tres correcciones con lı́mites fijos propuestas por Klein (2000) es similar,
siendo un poco mejor el de la corrección LCL=0.4096, UCL=1.5599, correspondiente al ter-
cer PD-Plot, puesto que con esta la RL presenta la menor probabilidad de tener valores
inferiores a 370 y al mismo tiempo tiene poca probabilidad de resultar en valores demasiado
superiores a 370. La corrección propuesta por Jarrett y Pan (2008) (LCL=0, UCL=2.064S̄)
es muy sesgada a la derecha, mostrando tendencia a producir valores muy altos para la RL.
Se asigna un mejor desempeño entre las correcciones con lı́mites que dependen de la media
del estadı́stico a la propuesta de Human et al. (2010) (LCL=0.1720S̄, UCL=2.2180S̄), ya
que 6000
en su PD-Plot (el quinto) se observa menor tendencia de la carta a producir valores
demasiado pequeños para la RL.
5500
5000
4500
Longitud de corrida (RL)
4000
3500
3000
2500
2000
1500
1000
500
0
ARL ARL ARL ARL ARL ARL ARL
256.07 256.05 255.35 432.09 303.11 1729.15 1117.96
LCL 0.2027 0.1786 0.4096 0 0.1720S 0.1060S 0.149S
UCL 2.1941 2.0603 1.5599 2.064S 2.2180S 2.4220S 2.662S
Figura 4-9.: PD-Plots carta S, m=20 y datos bajo control, separación marcas 0.0007
De igual forma a partir de la figura 4-10, para m=30, se observa un comportamiento similar
para el desempeño de las correcciones para datos bajo control. De entre las de lı́mites de-
pendientes de la media, la corrección LCL=0.1560S̄, UCL=2.2860S̄, propuesta por Human
et al. (2010) y mostrada en el quinto PD-Plot, presenta un comportamiento más similar
al esperado. Aunque la corrección LCL=0, UCL=2.089S̄, dada por Jarrett y Pan (2008) y
mostrada en el cuarto PD-Plot, también tiene un comportamiento adecuado, tiene mayor
probabilidad de producir valores bajos para la RL.
El mejor desempeño en este caso fue mostrado por una carta con lı́mites calculados a partir
de un grupo de muestras iniciales.
44 4 Análisis de la eficiencia de las correcciones en cartas de control R y S
7500
7000
6500
6000
5500
Longitud de corrida (RL)
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
ARL ARL ARL ARL ARL ARL ARL
256.07 256.05 255.35 410.65 479.36 2284.31 897.63
LCL 0.2027 0.1786 0.4096 0 0.1560S 0.1050S 0.153S
UCL 2.1941 2.0603 1.5599 2.089S 2.2860S 2.4840S 2.577S
Figura 4-10.: PD-Plots carta S, m=30 y datos bajo control, separación marcas 0.0006
3200
3000
2800
2600
2400
2200
Longitud de corrida (RL)
2000
1800
1600
1400
1200
1000
800
600
400
200
0
ARL ARL ARL ARL ARL ARL ARL
186.05 117.98 118.42 115.39 169.34 791.75 717.17
LCL 0.2027 0.1786 0.4096 0 0.1720S 0.1060S 0.149S
UCL 2.1941 2.0603 1.5599 2.064S 2.2180S 2.4220S 2.662S
Figura 4-11.: PD-Plots carta S, m=20 y aumento en la dispersión, separación marcas 0.002
De la figura 4-11, se observa, en el caso aumento en la dispersión, para m=20, que, entre
las correcciones con lı́mites fijos propuestas por Klein (2000) se destaca el desempeño de
las correcciones LCL=0.1786, UCL=2.0603 y LCL=0.4096, UCL= 1.5599, correspondientes
4.3 Comparación de la eficiencia de las correcciones 45
2400
2200
2000
1800
1600
1400
1200
1000
800
600
400
200
0
ARL ARL ARL ARL ARL ARL ARL
186.05 117.98 118.42 110.97 244.5 953.46 745.54
LCL 0.2027 0.1786 0.4096 0 0.1560S 0.1050S 0.153S
UCL 2.1941 2.0603 1.5599 2.089S 2.2860S 2.4840S 2.577S
De forma análoga, en la figura 4-12, se observa que, para m=30, las correcciones con lı́mites
calculados a partir de la media con mejor desempeño son la propuesta en Jarrett y Pan
(2008) (LCL=0, UCL=2.089S̄) y la propuesta por Human et al. (2010), mostrada en el
quinto PD-Plot (LCL=0.1560S̄, UCL=2.2860S̄), aunque esta última presenta valores atı́pi-
cos demasiado grandes para la RL (notable en el largo de la linea horizontal superior). En
este caso el mejor desempeño lo tuvo una carta con lı́mites calculados a partir de la media.
Ahora bien, para el caso de datos con disminución en la dispersión, la figura 4-13 muestra,
para m=20 un muy buen desempeño para las cartas construidas con lı́mites fijos, siendo
ligeramente mejor el de la corrección LCL=0.2027, UCL=2.1941 (primer PD-Plot), propues-
ta por Klein (2000), que muestra una linea horizontal inferior más larga. Aunque el de la
corrección LCL=0.4096, UCL=1.5599, propuesta en el mismo artı́culo (mostrada en el tercer
46 4 Análisis de la eficiencia de las correcciones en cartas de control R y S
6500
6000
5500
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
ARL ARL ARL ARL ARL ARL ARL
205.03 304.83 230.47 3315.07 380.72 2441.62 884.33
LCL 0.2027 0.1786 0.4096 0 0.1720S 0.1060S 0.149S
UCL 2.1941 2.0603 1.5599 2.064S 2.2180S 2.4220S 2.662S
Considerando el desempeño global de las cartas se puede concluir que para las correcciones
analizadas en este estudio:
a) De las correcciones a la carta S con lı́mites fijos, propuestas Klein (2000), la que
se comporta de forma más parecida a lo esperado es la obtenida con la corrección
LCL=0.2027, UCL=2.1941 (primer PD-Plot). La corrección LCL=0.1786, UCL=2.0603
propuesta en el mismo artı́culo presenta el inconveniente de producir valores más altos
para la RL en el caso disminución en la dispersión que en el caso bajo control. La
4.3 Comparación de la eficiencia de las correcciones 47
7000
6500
6000
5500
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
ARL ARL ARL ARL ARL ARL ARL
205.03 304.83 230.47 2881.85 600.73 794.48 2909.1
LCL 0.2027 0.1786 0.4096 0 0.1560S 0.1050S 0.153S
UCL 2.1941 2.0603 1.5599 2.089S 2.2860S 2.4840S 2.577S
b) Con ninguna de las correcciones con lı́mites calculados a partir de una muestra inicial
se tiene el desempeño buscado, debido al comportamiento en los casos bajo control
y reducción en la dispersión. De estas la que presenta un mejor comportamiento es
la propuesta en Human et al. (2010), LCL=0.1720S̄, UCL=2.2180S̄ para m=20 y
LCL=0.1560S̄, UCL=2.2860S̄ para m=30. Pero debido a que su mala capacidad para
detectar disminuciones en la dispersión. (más notable cuando los lı́mites se calculan a
partir de 30 muestras de tamaño 5). Es más recomendable el uso de las cartas con lı́mites
fijos.
5. Propuesta de correcciones
Manteniendo el orden de todo el trabajo, se empezará con las correcciones para la carta R:
serı́a bueno que se aumentaran las longitudes de corrida para la misma en el caso
bajo control. Ası́, se podrı́a mejorar su desempeño al aumentar el valor del LCL, sin
cambiar demasiado la separación entre los lı́mites. De la misma forma, para m=30, la
carta construida con lı́mites LCL=0.1530R̄, UCL=2.3550R̄, mantiene la capacidad para
detectar aumentos en la dispersión y tiene baja eficiencia en la detección de disminuciones
en la dispersión, presentando valores demasiado altos para la RL en este último caso. Lo
que indica que se podrı́a mejorar el desempeño al aumentar el LCL y sin aumentar
demasiado el UCL.
comportamiento deseado para la carta. En algunos casos sólo fueron necesarias dos o tres
combinaciones de prueba para los lı́mites, pero en otros el procedimiento se repitió en más
de 20 oportunidades, pues no se obtenı́an diferencias marcadas entre el comportamiento de
la carta sin modificar y la carta modificada. Incluso, para ciertas modificaciones a pesar de
que se logró la mejora buscada en el comportamiento, de tal forma que la carta con limites
modificados presentara la mejora requerida, la eficiencia global de la carta se deterioró, pues
se perdió la fortaleza que la carta tenı́a inicialmente en alguno de los tres casos estudiados,
sobre todo en el caso bajo control.
En la tabla 5-1 se presentan las modificaciones obtenidas con esta metodologı́a, mostrando
en que caso deben ser usadas. Se presentarán los resultados obtenidos con las modificaciones
a partir de la observación de los PD-Plots, resaltando los cambios buscados en los aspectos
del comportamiento de la carta e indicando la mejorı́a observable, ası́ como la forma en que
se ve afectado el comportamiento de la carta respecto a su comportamiento sin la modi-
ficación. Estos PD-Plots se presentan siguiendo el esquema anterior (primero el caso bajo
control, luego para aumento en la dispersión y por último para disminución en la dispersión),
pero el PD-Plot obtenido con la modificación se ubica inmediatamente después del obtenido
con la corrección inicial en cada caso, es decir; el primer PD-Plot corresponde al caso bajo
control para la corrección inicial y el segundo a la modificación propuesta en el mismo caso,
el tercero al caso aumento en la dispersión para la corrección inicial, etc.
RL en el caso bajo control, más aún, la mediana de la RL está cercana a 370 y al ser la
lı́nea horizontal inferior de este PD-Plot más corta se presenta una menor probabilidad de
producir valores pequeños para la RL. Ası́ mismo se logró una mejora en la detección de
disminuciones de la dispersión. Aunque se deterioró el desempeño de la carta en el caso
aumento en la dispersión, pues, se aumentaron mucho los valores de la RL en este caso.
El comportamiento global de la carta es más parecido a lo esperado. Se observa que con
la modificación se tiene una diferencia notable entre el comportamiento de la carta para
datos bajo control y para datos con cambios en la dispersión y se tienen muchos valores
altos para la RL en el caso bajo control, gran cantidad de valores muy bajos para la
disminución en la dispersión y para el aumento en la dispersión valores de la RL mayores
que los obtenidos en el caso disminución de la dispersión, pero mucho menores que los
obtenidos bajo control.
1600
1500
1400
1300
1200
1100
Longitud de corrida (RL)
1000
900
800
700
600
500
400
300
200
100
0
ARL ARL ARL ARL ARL ARL
370.07 514.19 179.14 429.76 510.43 446.39
LCL 0.1318 0.142 0.1318 0.142 0.1318 0.142
UCL 0.9882 0.996 0.9882 0.996 0.9882 0.996
CASO Bajo control Aumento en la dispersión Disminución en la dispersión
desempeño de la carta en los casos bajo control y aumento en la dispersión, se logra que
la carta construida con estimaciones se comporte un poco mas como se esperarı́a desde
el punto de vista práctico.
1100
1000
900
800
Longitud de corrida (RL)
700
600
500
400
300
200
100
0
ARL ARL ARL ARL ARL ARL
296.46 258.97 173.91 204.12 362.93 235.59
LCL 0.1720R 0.221R 0.1720R 0.221R 0.1720R 0.221R
UCL 2.2800R 2.229R 2.2800R 2.229R 2.2800R 2.229R
CASO Bajo control Aumento en la dispersión Disminución en la dispersión
1) De acuerdo a la figura 5-4, al usar los lı́mites LCL=0.408, UCL=1.659 para modificar la
corrección LCL=0.4096, UCL=1.5599, se aumenta el número de valores altos para la RL
en el caso de datos bajo control. A pesar de que se disminuye la capacidad de detectar
disminuciones y aumentos en la dispersión, del cuarto y el sexto PD-Plot en la figura 5-4
se nota que con estos nuevos lı́mites la carta se comporta de una manera bastante similar
a la esperada, ya que tiende a producir valores más altos de la RL para disminuciones
que para aumentos en la dispersión, esto pues, las lı́neas horizontales superiores son más
largas en el sexto PD-Plot, indicando mayor probabilidad de valores altos para la RL.
Además se observa que en promedio la RL en el caso bajo control es muy superior que
en los casos en que se presenta cambio en la dispersión.
5.2 Análisis del desempeño de las modificaciones 53
1900
1800
1700
1600
1500
1400
1300
Longitud de corrida (RL)
1200
1100
1000
900
800
700
600
500
400
300
200
100
0
ARL ARL ARL ARL ARL ARL
487.82 222.37 256.06 181.32 607.16 192.27
LCL 0.1530R 0.215R 0.1530R 0.215R 0.1530R 0.215R
UCL 2.3550R 2.409R 2.3550R 2.409R 2.3550R 2.409R
CASO Bajo control Aumento en la dispersión Disminución en la dispersión
1200
Figura 5-3.: PD-Plots para la modificación a la corrección LCL=0.1530R̄, UCL=2.3550R̄,
1100 m = 30
1000
900
800
Longitud de corrida (RL)
700
600
500
400
300
200
100
0
ARL ARL ARL ARL ARL ARL
255.35 385.49 118.42 235.75 230.47 248.37
LCL 0.4096 0.408 0.4096 0.408 0.4096 0.408
UCL 1.5599 1.659 1.5599 1.659 1.5599 1.659
CASO Bajo control Aumento en la dispersión Disminución en la dispersión
valores altos de la RL tanto para el caso disminución en la dispersión como para el caso
aumento en la dispersión. Ahora, comparando el segundo y el sexto PD-Plot, se observa
menor probabilidad de producir valores altos para la RL en el caso disminución en la
dispersión que para datos bajo control (el sexto PD-Plot es más alto que el segundo).
El comportamiento global de esta modificación es más cercano al que se espera de la
carta, con la desventaja de que en los casos bajo control y aumento en la dispersión,
las longitudes de corrida muestran comportamientos similares y, aunque en general la
RL toma valores mayores en el caso bajo control, esto le resta eficiencia a la carta para
detectar cambios en la dispersión. Se destaca el notable aumento en cantidad de valores
pequeños para la RL obtenidos con ésta modificación.
Ahora, se comparan entre sı́ las modificaciones realizadas para con esto identificar una
propuesta de lı́mites a usar, que pueda ser recomendada para monitorear la variabilidad
y que tenga
1900
en general el comportamiento buscado.
1800
1700
1600
1500
1400
1300
Longitud de corrida (RL)
1200
1100
1000
900
800
700
600
500
400
300
200
100
0
ARL ARL ARL ARL ARL ARL
479.36 212.19 244.5 187.06 600.73 168.31
LCL 0.1560S 0.228S 0.1560S 0.228S 0.1560S 0.228S
UCL 2.2860S 2.401S 2.2860S 2.401S 2.2860S 2.401S
CASO Bajo control Aumento en la dispersión Disminución en la dispersión
En las figuras 5-6, 5-7 y 5-8 se muestran, para datos bajo control, con aumento y con
reducción en la dispersión, los PD-Plots obtenidos con la corrección establecida como la de
mejor comportamiento en la sección 4.3.1 y con las modificaciones propuestas para la carta R.
Los PD-Plot están ubicados en el mismo orden en que se presentaron en la tabla 5-1. En éstos
se puede comparar la eficiencia de éstas modificaciones, observándose que el comportamiento
de las correcciones LCL=0.221R̄, UCL=2.229R̄ y LCL=0.215R̄, UCL=2.409R̄, mostradas
en el tercer y cuarto PD-Plot, es similar. Siendo mejor el de la corrección LCL=0.221R̄,
UCL=2.229R̄ en el caso bajo control y el de la corrección LCL=0.215R̄, UCL=2.409R̄ en los
otros dos casos. Se destaca que ambas correcciones producen principalmente valores bajos
5.2 Análisis del desempeño de las modificaciones 55
para la RL para datos con aumento en la dispersión y que el número de valores bajos para
la RL se reduce un poco para la disminución en la dispersión. Pero se tiene mayor tendencia
a producir valores más altos para la RL en el caso bajo control. En todo caso sigue siendo
más recomendable el uso de la corrección LCL=0.4484, UCL= 5.7128 propuesta por Acosta-
Mejia y Pignatiello Jr. (2008), pues la diferencia entre su comportamiento para el caso bajo
control y los otros casos es más notable.
Ası́ mismo, a partir de las figuras 5-9, 5-10 y 5-11, donde se muestran los PD-Plots obtenidos
con las modificaciones propuestas para la carta S en los tres casos estudiados, se puede
observar comportamiento similar entre las correcciones LCL=0.2027, UCL=2.1941 propuesta
por Klein (2000) y la aquı́ propuesta LCL=0.228S̄, UCL=2.401S̄, mostradas en el primer y
tercer PD-Plot, respectivamente. Ambas propuestas tienen un buen desempeño para detectar
reducciones en la dispersión, pero son ampliamente superadas por la corrección LCL=0.408,
UCL=1.659 en el caso bajo control. Se destaca que esta última corrección, mostrada en el
segundo PD-Plot es la que muestra mayor eficiencia de acuerdo a lo esperado en este trabajo.
Pues, aunque es superada por las otras dos correcciones en los casos disminución y aumento
en la dispersión, es la que muestra mayores diferencias entre el comportamiento de la RL
para los casos bajo y fuera de control, presentando mayor tendencia a producir valores de la
RL muy altos en el caso bajo control que en los otros casos.
1500
1400
1300
1200
1100
1000
Longitud de corrida (RL)
900
800
700
600
500
400
300
200
100
0
ARL ARL ARL ARL
369.63 514.19 258.97 222.37
LCL 0.4484 0.142 0.221R 0.215R
UCL 5.7128 0.996 2.229R 2.409R
Figura 5-6.: PD-Plots para las modificaciones a los lı́mites, carta R, datos bajo control.
1300
1200
56 5 Propuesta de correcciones
1100
1000
900
Longitud de corrida (RL)
800
700
600
500
400
300
200
100
0
ARL ARL ARL ARL
267.1 429.76 204.12 181.32
LCL 0.4484 0.142 0.221R 0.215R
UCL 5.7128 0.996 2.229R 2.409R
1300
1200
1100
1000
900
Longitud de corrida (RL)
800
700
600
500
400
300
200
100
0
ARL ARL ARL ARL
296.16 446.39 235.59 192.27
LCL 0.4484 0.142 0.221R 0.215R
UCL 5.7128 0.996 2.229R 2.409R
1000
900
800
Longitud de corrida (RL)
700
600
500
400
300
200
100
0
ARL ARL ARL
256.07 385.49 212.19
LCL 0.2027 0.408 0.228S
UCL 2.1941 1.659 2.401S
Figura 5-9.: PD-Plots para las modificaciones a los lı́mites, carta S, datos bajo control.
700
650
600
550
500
450
Longitud de corrida (RL)
400
350
300
250
200
150
100
50
0
ARL ARL ARL
186.05 235.75 187.06
LCL 0.2027 0.408 0.228S
UCL 2.1941 1.659 2.401S
650
600
550
500
Longitud de corrida (RL)
450
400
350
300
250
200
150
100
50
0
ARL ARL ARL
205.03 248.37 168.31
LCL 0.2027 0.408 0.228S
UCL 2.1941 1.659 2.401S
6.1. Conclusiones
De acuerdo a lo visto en este trabajo y para las condiciones particulares del mismo, es de-
cir para cartas de control construidas con muestras de tamaño 5 con distribución normal
estándar bajo control y un cambio en la desviacion estandar de 0.1 para estados fuera de
control, se puede concluir lo siguiente:
Las cartas R y S con lı́mites estimados construidas con los lı́mites tradicionales tienen un
comportamiento bajo control diferente a lo esperado para las cartas de control para monito-
rear la variabilidad. El efecto de las estimaciones es más marcado para estimaciones basadas
en muestras de tamaño pequeño, puesto que valores pequeños del tamaño y el número de
muestras usadas en la estimación, producen cartas con ARL y ESE(ARL) demasiado alto.
A medida que se aumentan el tamaño y el número de muestras se disminuyen los valores
de la ARL y del ESE(ARL). Pero, a diferencia de lo que ocurre con las cartas X y X̄, los
valores de la ARL no se estabilizan cerca de 370 a medida que se aumenta el número de
muestras usadas en la estimación de los lı́mites, como se esperaba desde la concepción de la
carta, sino que siguen disminuyendo. Situación que es más visible en la carta R.
El uso de los PD-Plots propuestos por Radson y Boyd (2005), facilita la comparación simul-
tanea de la eficiencia de varias cartas de control, brindando mucha más información que las
medidas de eficiencia tradicionalmente usadas en la bibliografı́a.
La mayor parte de las correcciones a los lı́mites de control propuestas en la literatura para las
cartas R y S mejoran el desempeño de las mismas. De éstas, las cartas con lı́mite de control
inferior 0, presentan inconvenientes para detectar reducciones en la dispersión. Para ambos
estadı́sticos las cartas construidas con lı́mites fijos tienen mejor desempeño que las cartas
construidas a partir de estimaciones de la dispersión calculadas en base a varias muestras de
tamaño pequeño.
el esquema de monitoreo por cartas de control implica tener que usar varias muestras de
tamaño fijo y es necesario calcular los lı́mites usando dichas muestras es preferible usar
los lı́mites LCLR=0.1720R̄ y UCLR=2.2800R̄ para 20 muestras de tamaño 5. Es necesario
tener en cuenta que con este esquema se obtiene una carta con un comportamiento un poco
diferente al que deberı́a tener una carta de control para la variabilidad.
6.2. Recomendaciones
Se requiere mayor conocimiento de la distribución de la RL obtenida con cartas R y S con
los cuales se puedan proponer lı́mites probabilisticos que permitan obtener una carta con el
comportamiento adecuado.
Se podrı́a aumentar el número de lı́mites de prueba en cada caso con el fin de obtener cartas
con mejor desempeño, pero se tendrı́a que tener en cuenta la alta demanda de tiempo y de
capacidad computacional que esto traerı́a.
Es posible que se en la actualidad se cuente con una herramienta que permita evaluar más
eficazmente el comportamiento de la RL que los PD-Plots y con la cuál se pueda determinar
mejores alternativas para modificar los lı́mites.
A. Anexo: Código R usado
n=5; m=300 #1
d=1 #2
l i b r a r y (IQCC) #3 c4=c4 ( n )
D3=max(1−3∗d3 ( n ) /d2 ( n ) , 0 )
D4=1+3∗d3 ( n ) /d2 ( n ) #4
r l=c ( ) #5
# Replicaciones
for ( j i n 1 : 1 0 0 0 0 ) #Se hacen 10000 r e p e t i c i o n e s
{
Rang=0 #6
for ( i i n 1 :m) #7
{
y=rnorm( n )
Rang=Rang+d i f f ( range ( y ) ) #8
}
R=Rang/m #9
UCLR=D4∗R #10
LCLR=D3∗R
RL=0; Xb=R #11
while ( (LCLR<Xb)&(Xb<UCLR) ) #12
{
RL=RL + 1 #13
y=rnorm( n , mean=0, sd=d ) #14
Xb=d i f f ( range ( y ) ) #15
}
r l [ j ]=RL #16
}
ARL=mean( r l ) ; ARL #17
ESE=sd ( r l ) /sqrt ( j ) ; ESE #18
62 A Anexo: Código R usado
2) Se establece el valor de la desviación estándar; Para obtener datos bajo control se usa d=1, para
disminución en la dispersión d=0.9 y para aumento d=1.1
3) Se llama la librerı́a IQCC para calcular las constantes de construcción de los lı́mites (c4, d2, d3,
etc.)
11) Se crea una variable para la longitud de corrida y otra para el estadı́stico a graficar
14) Se genera una muestra de tamaño n de la distribución normal con desviación estándar d
20) se obtiene en el caso d=1, la forma de la distribución bajo control de la RL para la carta R
A.2 Cálculo de la ARL y el ESE carta s con lı́mites tradicionales 63
n=5; m=300 #1
d=1 #2
l i b r a r y (IQCC) #3
c4=c4 ( n )
B3=max(1−3∗sqrt (1− c4 ˆ 2 ) /c4 , 0 )
B4=1+3∗sqrt (1− c4 ˆ 2 ) /c4 #4
r l=c ( ) #5
# Replicaciones
for ( j i n 1 : 1 0 0 0 0 ) #Se hacen 1 0 . 0 0 0 r e p e t i c i o n e s
{
S=0 #6
for ( i i n 1 :m) #7
{
y=rnorm( n )
S=S+sd ( y ) #8
}
Sb=S/m #9
UCLs=B4∗Sb #10
LCLs=B3∗Sb
RL=0; Xb=Sb #11
while ( ( LCLs<Xb)&(Xb<UCLs ) ) #12
{
RL=RL + 1 #13
y=rnorm( n , mean=0, sd=d ) #14
Xb=sd ( y ) #15
}
r l [ j ]=RL #16
}
ARL=mean( r l ) ; ARL #17
ESE=sd ( r l ) /sqrt ( j ) ; ESE #18
” s e h i c i e r o n ” ; j ; ” r e p e t i c i o n e s ” ; ”m=” ;m; ”n=” ; n #19
h i s t ( t (RL) , 5 0 0 )#20
2) Se establece el valor de la desviación estándar; Para obtener datos bajo control se usa d=1, para
64 A Anexo: Código R usado
3) Se llama la librerı́a IQCC para calcular las constantes de construcción de los lı́mites (c4, d2, d3,
etc.)
11) Se crea una variable para la longitud de corrida y otra para el estadı́stico a graficar
14) Se genera una muestra de tamaño n de la distribución normal con desviación estándar d
20) se obtiene en el caso d=1, la forma de la distribución bajo control de la RL para la carta s
# BAJO CONTROL
n=5; m=20
r l=c ( )
j =1; z=1
Rang=0
for ( j i n 1 : 1 0 0 0 0 )
{
Rang=0
for ( i i n 1 :m)
{
y=rnorm( n , sd=z )
Rang=Rang+d i f f ( range ( y ) )
}
R=Rang/m
UCLR=2.5120∗R
LCLR=0.1140∗R
d=1; RL=0; Xb=R
while ( (LCLR<Xb)&(Xb<UCLR) )
{
RL=RL + 1
y=rnorm( n , sd=d )
Xb=d i f f ( range ( y ) )
}
r l [ j ]=RL #Vector de 10000 l o n g i t u d e s de c o r r i d a
}
r l 1=r l
# AUMENTO EN LA DISPERSION
r l=c ( )
j =1; z=1
Rang=0
for ( j i n 1 : 1 0 0 0 0 )
{
Rang=0
for ( i i n 1 :m)
{
y=rnorm( n , sd=z )
Rang=Rang+d i f f ( range ( y ) )
}
R=Rang/m
66 A Anexo: Código R usado
UCLR=2.5120∗R
LCLR=0.1140∗R
d = 1 . 1 ; RL=0; Xb=R
while ( (LCLR<Xb)&(Xb<UCLR) )
{
RL=RL + 1
y=rnorm( n , sd=d )
Xb=d i f f ( range ( y ) )
}
r l [ j ]=RL #Vector de 10000 l o n g i t u d e s de c o r r i d a
}
r l 2=r l
# DISMINUCION EN LA DISPERSION
r l=c ( )
j =1; z=1
Rang=0
for ( j i n 1 : 1 0 0 0 0 )
{
Rang=0
for ( i i n 1 :m)
{
y=rnorm( n , sd=z )
Rang=Rang+d i f f ( range ( y ) )
}
R=Rang/m
UCLR=2.5120∗R
LCLR=0.1140∗R
d = 0 . 9 ; RL=0; Xb=R
while ( (LCLR<Xb)&(Xb<UCLR) )
{
RL=RL + 1
y=rnorm( n , sd=d )
Xb=d i f f ( range ( y ) )
}
r l [ j ]=RL #Vector de 10000 l o n g i t u d e s de c o r r i d a
}
r l 3=r l
l i b r a r y ( x l s x ) #1
write . x l s x ( cbind ( r l 1 , r l 2 , r l 3 ) , ”RL . x l s x ” , sheetName=” Fuente ” ) #2
A.4 Cálculo de la RL para la carta S con correcciones a los lı́mites. Ejemplo:
UCL=2.4220S̄, LCL=0.1060S̄ (Human et al., 2010) 67
n=5; m=20
r l=c ( )
j =1; ESE=500; z=1
Rang=0; S=0;
for ( j i n 1 : 1 0 0 0 0 )
{
Rang=0; S=0;
for ( i i n 1 :m)
{
y=rnorm( n , sd=z )
S=S+sd ( y )
}
Sb=S/m
UCLs=2.4220∗Sb
LCLs=0.1060∗Sb
d = 1 . 1 ; RL=0; Xb=Sb # Se cambia d, obteniendo cada caso
while ( ( LCLs<Xb)&(Xb<UCLs ) )
{
RL=RL + 1
y=rnorm( n , sd=d )
Xb=sd ( y )
}
r l [ j ]=RL #Vector de 10000 longitudes de corrida
}
r l 2=r l
write . x l s x ( r l 2 , ”RL . x l s x ” , sheetName=” Fuente ” )
68 A Anexo: Código R usado
#Si LCLs y UCLs son fijos, se omite la primera parte del algoritmo:
n=5; m=20
r l=c ( )
j =1; ESE=500; z=1
Rang=0; S=0;
for ( j i n 1 : 1 0 0 0 0 )
{
Rang=0; S=0;
UCLs=2.229
LCLs=0.221
d=1; RL=0; Xb=Sb
while ( ( LCLs<Xb)&(Xb<UCLs ) )
{
RL=RL + 1
y=rnorm( n , sd=d )
Xb=sd ( y )
}
r l [ j ]=RL # Vector de 10000 longitudes de corrida
}
r l # Vector de longitudes de corrida
# C\ ’{ a} l c u l o de l a s coordenadas a g r a f i c a r
RL=read . table ( ” c l i p b o a r d ” , h=F) #1
c o l s =4 #2
p=c ( . 0 5 , . 2 5 , . 5 , . 7 5 , . 9 5 ) #3
x=data . frame ( x1=numeric ( 0 ) , x2=numeric ( 0 ) , x3=numeric ( 0 ) ,
x4=numeric ( 0 ) , x5=numeric ( 0 ) , x6=numeric ( 0 ) , x7=numeric ( 0 ) ,
x8=numeric ( 0 ) , x9=numeric ( 0 ) , x10=numeric ( 0 ) )
y=data . frame ( y1=numeric ( 0 ) , y2=numeric ( 0 ) , y3=numeric ( 0 ) ,
y4=numeric ( 0 ) , y5=numeric ( 0 ) , y6=numeric ( 0 ) , y7=numeric ( 0 ) ,
y8=numeric ( 0 ) , y9=numeric ( 0 ) , y10=numeric ( 0 ) ) #4
for ( j i n 1 : c o l s )
{
r l=RL [ , j ]
p e r c e n t =( sort ( r l ) ) [ round (NROW( r l ) ∗p ) ] #5
prob=c ( ) #6
A.5 Algoritmo para realizar las gráficas de los PD-Plot 69
for ( i i n 2 : 4 )
{
prob [ i −1]=sum( r l==p e r c e n t [ i ] ) /length ( r l )
} #7
Prob #8
x [ j , ] = c (0 ,0 , − prob , rev ( prob ) , 0 , 0 ) /2
y [ j , ] = c ( p e r c e n t , rev ( p e r c e n t ) )
} #9
ARL=round (mean(RL) , 2 ) #10
#11
xmax=max( x )
ymin=min( y )
ymax=max( y )
#12
xg=x [ 1 , ] + xmax
xg [ 1 ] = 0
xg [ 1 0 ] = ( c o l s −1)∗ 2 . 5 ∗xmax #13
yg=y [ 1 , ]
yg [ 1 ] = ymin
#14 ymax=12000
yg [ 1 0 ] = ymax
xg=xg+xmax
sepa=max( as . vector ( t ( xg ) ) ) /40 #15
marcas =0:40∗ sepa
xg # Muestra l a s coordenadas a g r a f i c a r
marcas
#16
plot ( as . vector ( t ( xg ) ) , as . vector ( t ( yg ) ) , type=”n” , a x e s=F ,
y l a b=” Longitud de c o r r i d a (RL) ” , x l a b=” ” , bty=”n” , l a s =1,
l a b=c ( 5 0 , 1 5 , 5 ) , cex . l a b =0.7)
axis ( 1 , l a s =1, cex . axis =0.7 , l i n e = −0.5 , t c k =0.006 ,
l a b e l s=F , a t=marcas )
axis ( 1 , l a s =1, cex . axis =0.7 , l i n e = −0.5 , t c k = −0.006 ,
l a b e l s=F , a t=marcas )
axis ( 2 , l a s =1, cex . axis =0.7)
x0 =1.4∗xmax #17
#G r a f i c a d o de l o s PD−p l o t s
70 A Anexo: Código R usado
for ( j i n 1 : c o l s )
{
X=as . vector ( t ( x [ j , ] ) ) + x0 ; Y=as . vector ( t ( y [ j , ] ) )
l i n e s (X[ c ( 1 , 2 ) ] , Y[ c ( 4 , 5 ) ] )
l i n e s (X[ c ( 9 , 1 0 ) ] , Y[ c ( 9 , 1 0 ) ] )
l i n e s (X[ c ( 4 , 7 ) ] ,Y[ c ( 3 , 3 ) ] )
polygon (X[−c ( 1 , 2 , 9 , 1 0 ) ] , Y[−c ( 1 , 5 , 6 , 1 0 ) ] )
mtext ( ”ARL” , SOUTH<−1 , a t=X [ 9 ] , l i n e = −0.6 , cex =0.7)
mtext (ARL[ j ] , SOUTH<−1 , a t=X [ 9 ] , l i n e = −0.1 , cex =0.7)
x0=X[ 8 ] + 1 . 1 5 ∗xmax #18
}
2) indica el numero de pd plots a graficar (Este también puede ser obtenido con ncol(RL), pero es
por si no se quieren usar todas las columnas del dataframe)
9) Se llenan los vectores de coordenadas con los percentiles y la mitad de las probabilidades
empı́ricas de estos
13) Modificar el número para recortar o ampliar el eje X en caso de mala presentación
14) Modificar ymax para recortar el eje Y cuando tenga colas muy largas
15) Cálculo de las separaciones entre marcas a usar; Modificar el numero para determinar las
divisiones
A.6 Cálculo de los parámetros a usar en la corrección propuesta por Hamada (2003) 71
17) Coordenada x del centro, modificar el numero para corregir la distancia del primer PD-plot al
eje Y
18) Modificar el número para cambiar la separación entre PD-plots en caso de que salgan muy
juntos o muy separados
k1 ; k2 #11
#Para l a c a r t a S , s e p r o c e d e de forma s i m i l a r :
s=c ( )
sb=c ( )
k=0
for ( j i n 1 : 1 0 0 0 0 )
{
Sb=0
for ( i i n 1 :m)
{
k=k+1
y=rnorm( n )
S=sd ( y )
s [ k]=S
Sb=Sb+S
}
sb [ j ]=Sb/m
}
write . csv ( cbind ( s , sb ) , ” v a r i a n z a s . c s v ” ) #12
4) Se guardan los rangos medios, junto con los rangos que los generaron
13) Se encuentra la raı́z del cociente del percentil p de la distribución Chi-Cuadrada con n-1 grados
de libertad entre n-1
16) Se encuentra la raı́z del cociente del percentil 1-p de la distribución Chi-Cuadrada con n-1
grados de libertad entre n-1
Bibliografı́a
Acosta-Mejia, C. A., y Pignatiello Jr., J. J. (2008). Modified R charts for improved
performance. Quality Engineering, 20 No. 3 , 361-369.
Albers, W., y Kallenberg, W. C. M. (2004a). Are estimated control charts in control?
Statistics, 38 , 67-79.
Albers, W., y Kallenberg, W. C. M. (2004b). Estimation in shewhart control charts: Effects
and corrections. Metrika, 59 , 207-234.
Albers, W., y Kallenberg, W. C. M. (2005). New corrections for old control charts. Quality
Engineering, 17 No. 3 , 467-473.
Caulcutt, R. (1995). The rights and wrongs of control charts. Journal of the Royal Statistical
Society. Series C (Applied Statistics), 44 , 279-288.
Chakraborti, S. (2000). Run length, average run length and false alarm rate of shewhart X̄
chart: exact derivations by conditioning. Communications in Statistics - Simulation
and Computation, 29 No. 1 , 61-81.
Chakraborti, S. (2007). Run length distribution and percentiles: The shewhart chart with
unknown parameters. Quality Engineering, 19 No. 2 , 119-127.
Chakraborti, S., Human, S. W., y Graham, M. A. (2009). Phase I statistical process control
charts: An overview and some results. Quality Engineering, 21 , 52-62.
Chen, G. (1998). The run length distribution of the R, S, and S 2 control charts when σ is
estimated. Canadian Journal of Statistics, 26 No. 2 , 311-322.
Esty, W. W., y Banfield, J. (2003). The box-percentile plot. Journal of Statistical Software,
8 No. 17 , 1-14.
Hamada, M. (2003). Tolerance interval control limits for, R, and S charts. Quality
Engineering, 15 , 471-487.
Hansen, B. L., y Ghare, P. M. (1990). Control de calidad: Teoria y aplicaciones. Editores
Diaz de Santos, S. A.
Hill, D. (1956). Modified control limits. Journal of the Royal Statistical Society. Series C
(Applied Statistics), 5 , 12-19.
Human, S., Chakraborti, S., y Smit, C. (2010). Shewhart-type control charts for variation
in phase I data analysis. Computational Statistics and Data Analysis, 54 , 863-874.
Jarrett, J. E., y Pan, X. (2008). Alternative factors for control chart construction.
Communications in Statistics - Simulation and Computation, 37 No. 10 , 2096-2105.
Bibliografı́a 75